低信噪比下基于多流时空网络的调制识别方法和装置

本发明涉及信号调制识别领域，具体涉及一种低信噪比下基于多流时空网络的调制识别方法和装置。

背景技术：

1、在无线通信领域，信号分析与处理技术主要涉及在信道和信号参数不完全已知的条件下执行信号检测、识别和恢复等一系列复杂过程。调制识别的研究大致经历了三个阶段，分别为基于似然理论、基于特征提取以及基于深度学习的调制识别研究。基于似然理论的调制识别研究分为平均似然比检验方法，广义似然比检验方法和混合似然比检测方法。基于似然理论的调制识别方法需要的先验知识较多，且计算量大，而基于特征提取的识别方法的计算复杂度较低，不少文献从此入手进行研究。基于特征提取的调制方法需要人工特征提取，较大程度上取决于专家的特征提取方法，对于现在复杂通信环境很难适用。随着人工智能的不断深入，基于深度学习的调制识别应运而生。

2、基于深度学习的调制识别算法大致可以分为两类，一类是利用深度学习网络模型直接对原始时域信号进行分类；另一类是对信号进行预处理再输入深度学习网络模型中，深度学习可以自动地对信号的特征进行提取和分类，取代了传统识别算法中依靠专家经验来识别特征的步骤，且识别速度快且精度较高。

3、现有技术中的算法在自动调制分类领域都取得了一定的成效，但在低信噪比条件下平均网络识别问题仍有识别精度不够高的问题。

技术实现思路

1、针对上述问题，本发明的一个目的是提供一种低信噪比下基于多流时空网络的调制识别方法。

2、本发明的第二个目的是提供一种低信噪比下基于多流时空网络的调制识别装置。

3、本发明所采用的第一个技术方案是：s1、将获取的原始信号分别利用emd算法和eemd算法进行去噪，得到2个去噪信号数据集；

4、s2、将所述2个去噪信号数据集分别与rml2016.10a数据集结合，得到2个合成数据集rml2016.10a-01、rml2016.10a-02，并将所述多合成数据集划分为多个训练集、测试集和验证集；

5、s3、构建多流时空网络模型，并分别利用所述多个训练集和验证集对所述多流时空网络模型进行训练和验证，得到训练后模型；

6、s4、将所述合成数据集输入所述训练后模型得到信号识别结果。

7、可选的，所述s1中利用emd算法去噪包括：

8、s11a、确定所述原始信号的极大值点和极小值点，利用样条曲线连接进行数据处理，得到极大值包络线及极小值包络线；

9、s12a、基于所述极大值包络线及极小值包络线进行计算，得到第1次平均包络线；

10、s13a、利用所述第1次平均包络线计算残余信号函数，更新所述原始信号并返回s11a，直到所述更新后残余信号满足imf信号，得到imf信号；

11、s14a、基于所述imf信号计算残差信号值，并将所述imf信号进行信号分量，得到imf分量集；

12、s15a、基于所述imf分量集计算所有相邻imf分量的均方差进行比较，并根据最小所述均方差确定imf分量数取值k；

13、s16a、基于所述imf分量数取值k重新构建emd去噪信号。

14、可选的，所述s1中利用eemd算法去噪包括：

15、s11 b、在所述原始信号中加入白噪声，并对计入白噪声后的信号进行emd分解，得到imf分量；

16、s12b、对得到的所述imf分量求平均值，得到分量平均值；

17、s13b、基于所述分量平均值，计算并更新信号残差；

18、s14b、重复s11 b-s13b，计算所有相邻imf分量的均方差进行比较，并根据最小所述均方差确定imf分量数取值k；

19、s15b、迭代若干次后，利用所述imf分量数取值k重新进行信号重构，得到eemd去噪信号。

20、可选的，所述s3中利用所述训练集对多流时空网络进行训练包括：：

21、s31、将所述训练集中的信号输入构建的所述多流时空网络，得到预测类别标签；

22、s32、将所述训练集中信号的真实类别标签与所述预测类别标签通过交叉熵损失函数进行计算，得到损失值并更新网络参数，其中所述交叉熵损失函数如下：

23、loss＝-σtilog(pi)

24、式中，loss为交叉熵损失函数的值，ti和pi为第类的真实标签和模型对第类的预测概率；

25、s33、重复s31-s32，迭代若干次后完成模型训练。

26、可选的，所述s16a中，构建emd去噪信号如下式：

27、

28、式中，imf[i]为第i个imf信号，k为最小所述均方差。

29、可选的，所述s15b中，根据下式重构得到eemd去噪信号：

30、

31、式中，imfk为imf分量数，rk为k次迭代的信号残差，k为最小所述均方差。

32、本发明所采用的第二个技术方案是：去噪模块，用于将获取的原始信号分别利用emd算法和eemd算法进行去噪，得到2个去噪信号数据集；

33、数据集合模块，用于将所述2个去噪信号数据集分别与rml2016.10a数据集结合，得到2个合成数据集rml2016.10a-01、rml2016.10a-02，并将所述多合成数据集划分为多个训练集、测试集和验证集；

34、模型训练模块，用于构建多流时空网络模型，并分别利用所述多个训练集和验证集对所述多流时空网络模型进行训练和验证，得到训练后模型；

35、识别模块，用于将所述合成数据集输入所述训练后模型得到信号识别结果。

36、可选的，所述去噪模块中利用emd算法去噪包括：

37、数据处理模块，用于确定所述原始信号的极大值点和极小值点，利用样条曲线连接进行数据处理，得到极大值包络线及极小值包络线；

38、包路线计算模块，用于基于所述极大值包络线及极小值包络线进行计算，得到第1次平均包络线；

39、残余信号计算模块，用于利用所述第1次平均包络线计算残余信号函数，更新所述原始信号并返回数据处理模块，直到所述更新后残余信号满足imf信号，得到imf信号；

40、信号分量模块，用于基于所述imf信号计算残差信号值，并将所述imf信号进行信号分量，得到imf分量集；

41、比较模块，用于基于所述imf分量集计算所有相邻imf分量的均方差进行比较，并根据最小所述均方差确定imf分量数取值k；

42、去噪信号构建模块，用于基于所述imf分量数取值k重新构建emd去噪信号。

43、可选的，所述去噪模块中利用eemd算法去噪包括：

44、信号分解模块，用于在所述原始信号中加入白噪声，并对计入白噪声后的信号进行emd分解，得到imf分量；

45、平均值计算模块，用于对得到的所述imf分量求平均值，得到分量平均值；

46、信号残差更新模块，用于基于所述分量平均值，计算并更新信号残差；

47、迭代模块，用于重复执行信号分解模块-信号残差更新模块，计算所有相邻imf分量的均方差进行比较，并根据最小所述均方差确定imf分量数取值k；

48、信号重构模块，用于迭代若干次后，利用所述imf分量数取值k重新进行信号重构，得到eemd去噪信号。

49、可选的，所述模型训练模块中利用所述训练集对多流时空网络进行训练包括：

50、类别预测模块，用于将所述训练集中的信号输入构建的所述多流时空网络，得到预测类别标签；

51、计算交叉熵损失模块，用于将所述训练集中信号的真实类别标签与所述预测类别标签通过交叉熵损失函数进行计算，得到损失值并更新网络参数，其中所述交叉熵损失函数如下：

52、loss＝-σtilog(pi)

53、式中，loss为交叉熵损失函数的值，ti和pi为第类的真实标签和模型对第类的预测概率；

54、迭代训练模块，用于迭代若干次后完成模型训练。

55、上述技术方案的有益效果：

56、(1)本发明提出的改进的低信噪比条件下的信号去噪方法，通过对低信噪比数据进行信号去噪，可以提升网络的识别精度。

57、(2)本发明使用的多流时空网络中复数卷积模块的运用，更全面地处理iq数据并有效捕捉两者之间的丰富特征，深入挖掘iq信号的内在联系，从而帮助模型更准确地理解信号的复杂特性，可以提升低信噪条件下信号的识别精度。

58、(3)基于去噪信号数据集1、2分别与rml2016.10a结合的进行数据增强形成rml2016.10a-01、rml2016.10a-02，降低样本不均衡比例，提升模型的鲁棒性，同时使得模型更具泛化性。

59、(4)实验结果表明，经过emd/eemd处理后的数据与原数据集融合，对于整体识别率而言，经过emd处理后数据融合形成的rml2016.10a-01数据集整体识别率高，达到62.95％，其中最高识别精度为93.90％，在0db～18db之间rml2016.10a-01数据集识别精度有所提升达到92.69％，而在-20db～-2db之间rml2016.10a-02数据集识别精度高，对于低信噪比的区分有促进推动效果。