基于多特征融合的双流调制信号分类方法及系统

本公开涉及无线电调制信号分类，具体涉及基于多特征融合的双流调制信号分类方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、近年来，通信技术在5g时代的作用日益显现，空间认知无线电技术尤为重要，其中，自动调制识别(automatic modulation recognition，amr)是空间认知无线电中的一项关键技术，在无线通信信息处理中有实际应用，建立高性能的自动调制识别模型可以提高信号的分类精度。然而，许多信号识别研究都是基于单一网络，导致许多信号无法有效区分，多域融合处理和联合调制识别方法的应用相对较少。

3、传统的amr方法主要分为基于最大似然的amr和基于特征提取的amr，传统的方法不仅在提取信号特征时需要耗费大量的人工成本，而且对信号的分类精度也不尽如人意。基于神经网络的方法可以从大量的信号样本中自动提取特征，解决了传统方法的缺点，其中有一种用于自动调制识别的时空多通道学习框架（mcldnn），该网络可以从时间和空间的角度更有效地提取特征，在高信噪比下，网络可以很好地区分qam16和我qam64，但超过一半的wbfm信号仍然被错误地识别为am-dsb，这限制了网络的整体识别精度。

4、尽管上述现有研究在自动调制识别方面取得了一些进展，但它们仍存在一些问题：

5、首先，目前的电磁信号处理通常只使用单一类型的信号表示，忽略了其他潜在的重要特征信息和不同域特征之间的互补性，导致具有相似单一特征的调制类型容易发生混淆；其次，随着无线通信技术的飞速发展，调制方式变得更加复杂和多样化，噪声等因素也会影响调制分类的正确率，增强模型在低信噪比通信场景下的分类鲁棒性也成为了亟待解决的问题之一。
技术实现要素：

6、本公开为了解决上述问题，提出了基于多特征融合的双流调制信号分类方法及系统，基于卷积注意力双向长短期记忆深度网络（convolutional attention bidirectionallong short-term memory deep network,cabld），并搭建双流结构，将am-dsb（双边带幅度调制）和wbfm（宽带频率调制）信号合成一类aw，其余调制信号类型不变，首先进行多类型调制信号的分类，将分类后的aw信号提取其频域幅相特征再进行二分类，有效提高低信噪比环境下的调制分类准确率。

7、根据一些实施例，本公开采用如下技术方案：

8、基于多特征融合的双流调制信号分类方法，包括：

9、获取原始调制信号的i/q数据，将所述i/q数据划分为高信噪比流和低信噪比流；

10、将高信噪比流和低信噪比流输入到双流cabld模型中，进行多信号分类以及二分类，最终获得am-dsb和wbfm信号的二分类结果；

11、其中，所述双流cabld模型包括两支cabld分类通道，每支cabld分类通道包括第一cabld模型和第二cabld模型，高信噪比流和低信噪比流输入到双流cabld模型中后，分别进入一支cabld分类通道，首先经过第一cabld模型进行多信号分类，获得am-dsb和wbfm信号合成的aw类信号，然后分别提取aw类信号的频域幅相特征输入至第二cabld模型，对aw类信号中的am-dsb和wbfm信号进行二分类，得到am-dsb和wbfm信号的分类结果。

12、根据一些实施例，本公开采用如下技术方案：

13、基于多特征融合的双流调制信号分类系统，包括：

14、信号获取模块，用于获取原始调制信号的i/q数据，将所述i/q数据划分为高信噪比流和低信噪比流；

15、分类模块，用于将高信噪比流和低信噪比流输入到双流cabld模型中，进行多信号分类以及二分类，最终获得am-dsb和wbfm信号的二分类结果；

16、其中，所述双流cabld模型包括两支cabld分类通道，每支cabld分类通道包括第一cabld模型和第二cabld模型，高信噪比流和低信噪比流输入到双流cabld模型中后，分别进入一支cabld分类通道，首先经过第一cabld模型进行多信号分类，获得am-dsb和wbfm信号合成的aw类信号，然后分别提取aw类信号的频域幅相特征输入至第二cabld模型，对aw类信号中的am-dsb和wbfm信号进行二分类，得到am-dsb和wbfm信号的分类结果。

17、根据一些实施例，本公开采用如下技术方案：

18、一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现所述的基于多特征融合的双流调制信号分类方法。

19、根据一些实施例，本公开采用如下技术方案：

20、一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的基于多特征融合的双流调制信号分类方法。

21、与现有技术相比，本公开的有益效果为：

22、本公开的基于多特征融合的双流调制信号分类方法，构建卷积注意力双向长短期记忆深度网络，简称cabld模型，在cabld模型的基础上搭建双流架构，每一流均由两个cabld模型组成，第一个cabld模型负责调制信号的多分类，第二个cabld模型负责am-dsb和wbfm信号的再分类，解决am-dsb和wbfm信号难以区分以及低信噪比信号分类准确率不高的问题，提高信号分量准确率。

23、本公开的基于多特征融合的双流调制信号分类方法，对调制信号输入至信噪比分类器分类，将分类后的高信噪比信号的i/q数据输入高信噪比流，提取分类后的低信噪比信号的功率谱数据输入低信噪比流，将am-dsb和wbfm信号合成一类aw，其余调制信号类型不变，通过第一个cabld模型进行多类型调制信号的分类，将分类后的aw信号提取其频域幅相特征输入第二个cabld模型进行am-dsb和wbfm的二分类，充分考虑到了不同调制信号的时域数据和频域数据的相似性和差异性，能够有效解决am-dsb、wbfm等时域相似性显著、频域差异性显著的信号分类混淆严重的问题，同时也能够有效提高低信噪比环境下的调制分类准确率。

24、本公开的基于多特征融合的双流调制信号分类方法，构建卷积注意力双向长短期记忆深度网络，简称cabld模型，cabld模型包括卷积神经网络（cnn）模块、高效通道注意力（eca）模块、两个双向cuda深度神经网络长短期记忆（bicudnnlstm）模块以及深度神经网络（dnn）模块。cnn模块通过卷积层、池化层的组合，充分提取数据的特征，并进行有效的空间层级表示；eca模块通过全局平均池化和一维卷积核来实现通道间的依赖关系捕捉，从而提高模型性能；bicudnnlstm模块通过前向和后向学习，捕捉序列数据中的前后依赖关系，从而提高对序列数据的理解能力；dnn模块通过全连接层和droupout层的连接，能够学习数据的复杂模式并且防止模型过拟合，最终实现信号的分类。

技术实现思路