本發(fā)明屬于信號識別，涉及融合全局-局部信息的低信噪比調(diào)制信號識別方法及系統(tǒng)。

背景技術(shù)：

1、通信輻射源信號的調(diào)制樣式識別不論在軍事方面還是民用方面都有著重要的意義。只有精確識別偵測信號的調(diào)制樣式，才能對信號調(diào)制參數(shù)進行估計，并為后續(xù)的信號分析、信號處理提供有力的參考依據(jù)。就目前而言，傳統(tǒng)的調(diào)制方式識別的主要方法可以分為兩大類，分別是基于似然比檢測的調(diào)制識別方法和基于特征提取的調(diào)制識別方法；

2、其中，基于似然比檢測的調(diào)制識別方法通過概率論分析信號特性，先觀察待識別的信號波形，為其賦予某一種候選調(diào)制類型。然后通過相似性原則，確定真正的調(diào)制方式。具體來說，該方法基于接收信號的似然函數(shù)（likelihood?function，lf），通過把似然比（likelihood?ratio，lr）和對應(yīng)閾值進行比較，作出判決。其調(diào)制識別過程是多假說測試問題。

3、在20世紀80年代，平均似然比檢驗理論被kim?k等人率先提出，并被運用于調(diào)制信號分類識別，克服了最大似然比函數(shù)存在的參數(shù)的缺失問題[1]。boiteau?d等人[2]提出了廣義似然比檢驗理論。廣義似然比檢驗理論降低了計算復(fù)雜度。且在進行非恒定包絡(luò)調(diào)制識別分類時，廣義似然比檢驗理論的性能相對于平均似然比檢驗理論更好?；旌纤迫槐葯z驗理論是將平均似然比檢驗理論和廣義似然比檢驗理論兩者進行組合，可用于解決網(wǎng)狀星座和高維計算的問題。

4、基于特征提取的調(diào)制識別方法依賴電磁領(lǐng)域?qū)＜抑R，通過人工設(shè)定信號特征提取模型。常用的信號特征包括：(1)瞬時特征；(2)統(tǒng)計特征；(3)變換域特征。特征提取是一種數(shù)據(jù)映射的過程，即將原始信號數(shù)據(jù)映射到特定特征空間。瞬時特征從電磁信號幅度、相位、頻率角度進行信號特征描述。nandi等人[3]用9種不同的信號瞬時信息，通過分類器閾值的選取完成了對13種不同通信信號的調(diào)制類型識別。統(tǒng)計特征主要包括高階矩、高階累積量，該特征針對衰落信道，采用適當階數(shù)、共軛變量數(shù)和延遲量抑制相偏及衰落影響。reichert等人[4]首先將高階累積量用于信號調(diào)制類型識別，展現(xiàn)了高階累積量在調(diào)制類型識別領(lǐng)域的可行性并被廣泛應(yīng)用。變換域特征計算原始信號的變換系數(shù)及統(tǒng)計量，構(gòu)成多尺度特征向量。

5、盡管基于似然比檢測的調(diào)制識別方法在理論上保證了最優(yōu)的分類結(jié)果，但該方法依然存在以下缺點：（1）該方法往往只適用于特定類型的調(diào)制信號，不適用于新的或其他類型的調(diào)制信號，識別范圍相比之下要偏窄一些。（2）識別過程中要求已知的參數(shù)太多，包括載波頻率、載波相位、波特率、信噪比等。參數(shù)的確定往往需要大量的試驗和經(jīng)驗，較為困難；此外，由于未知參數(shù)的存在，使得似然比函數(shù)的計算表達式很復(fù)雜，計算量大而難以處理。如果對似然比函數(shù)進行簡化處理，又會導(dǎo)致分類信息的丟失，降低識別性能。

6、相較于似然比檢測，人工信號特征對信號先驗信息需求較少，算法復(fù)雜度較低，但該特征蘊含信號屬性單一，數(shù)據(jù)表征能力受限。該方法需要預(yù)先選擇和提取合適的特征，不同的調(diào)制方式可能需要不同的特征來描述其本質(zhì)特性，因此需要信號分析人員具有豐富的專業(yè)領(lǐng)域知識和經(jīng)驗。另外，在信道傳輸過程中，信號會受到噪聲和失真的影響，導(dǎo)致特征提取算法無法準確地提取出信號的特征，從而降低調(diào)制識別的準確率。并且當出現(xiàn)新的調(diào)制信號時，其特征將會難以提取和處理。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種融合全局-局部信息的低信噪比調(diào)制信號識別方法及系統(tǒng)，利用深度殘差神經(jīng)網(wǎng)絡(luò)（deep?residual?network，resnet）和transformer網(wǎng)絡(luò)相結(jié)合設(shè)計學習全局-局部上下文特征的調(diào)制信號識別模型，利用兩種深度學習模型分別提取的特征來加強特征表示，從而提升信號識別的精度和泛化應(yīng)用能力，完成復(fù)雜電磁環(huán)境下多類型信號下的穩(wěn)定的通信識別。

2、本發(fā)明是通過以下技術(shù)方案來實現(xiàn)：

3、一種融合全局-局部信息的低信噪比調(diào)制信號識別方法，包括，

4、將不同調(diào)制類型信號的同相和正交(in-phase?and?quadrature，iq)數(shù)據(jù)輸入resnet網(wǎng)絡(luò)中，先經(jīng)過卷積注意力模塊（convolutional?block?attention?module,cbam））得到加權(quán)后的特征x，再經(jīng)過resnet網(wǎng)絡(luò)提取得到局部特征信息res；

5、將不同調(diào)制類型信號的iq數(shù)據(jù)輸入transformer網(wǎng)絡(luò)中，先經(jīng)過長短期記憶模型（long?short-term?memory,?lstm）進行時序特征提取，再經(jīng)過transformer網(wǎng)絡(luò)的編碼模塊coder對不同調(diào)制類型信號的iq數(shù)據(jù)的全局特征進行提取，歸一化后得到全局特征信息fc；

6、對局部特征信息res和全局特征信息fc進行合并，得到不同信號調(diào)制類型的聯(lián)合特征output，從而構(gòu)建得到調(diào)制信號識別（restransformeratt）模型，

7、基于restransformeratt?模型，實現(xiàn)對融合全局-局部信息的低信噪比調(diào)制信號識別。

8、優(yōu)選的，將不同調(diào)制類型的信號的iq數(shù)據(jù)輸入resnet網(wǎng)絡(luò)中提取得到局部特征信息res，具體為：

9、在resnet網(wǎng)絡(luò)上，對不同調(diào)制類型的信號的iq數(shù)據(jù)先經(jīng)過cbam模塊，得到的綜合注意力權(quán)重加權(quán)后的特征x，再經(jīng)過resnet提取得到局部特征信息res；將局部特征的信息res輸入dropout層緩解過擬合現(xiàn)象，得到簡化后的局部特征的信息res。

10、優(yōu)選的，所述cbam模塊包含通道注意力模塊和空間注意力模塊。

11、所述綜合注意力權(quán)重通過通道注意力模塊和空間注意力模塊的注意力權(quán)重相乘得到。

12、優(yōu)選的，所述通道注意力模塊的注意力權(quán)重的獲取過程為：

13、將輸入不同調(diào)制類型信號的iq數(shù)據(jù)特征的每個通道內(nèi)的元素取平均，得到每個通道的平均值，從而得到反映每個通道的全局平均池化向量；

14、提取不同調(diào)制類型信號的iq數(shù)據(jù)特征的每個通道內(nèi)的全局最大值，從而得到反映每個通道最顯著的最大池化特征向量；

15、將最大池化向量和全局平均池化向量通過共享的多層感知機進行非線性變換，分別生成最大池化向量和全局平均池化向量的每個通道的注意力權(quán)重；

16、將最大池化向量和全局平均池化向量的每個通道的注意力權(quán)重相加，融合兩種統(tǒng)計信息，得到每個通道的綜合權(quán)重；

17、將綜合權(quán)重輸入sigmoid激活函數(shù)進行歸一化，生成通道注意力模塊的注意力權(quán)重。

18、優(yōu)選的，所述空間注意力模塊的注意力權(quán)重的獲取過程為：

19、對輸入特征分別進行最大池化和平均池化操作，得到兩個不同的空間信息向量；

20、兩個不同的空間信息向量進行堆疊，得到含有每個空間位置的不同池化信息的向量；

21、使用一個卷積層將含有每個空間位置的不同池化信息的向量進行融合，并學習空間特征之間的關(guān)系，為每個位置生成一個注意力權(quán)重；

22、將每個位置生成的注意力權(quán)重輸入sigmoid激活函數(shù)進行歸一化，生成空間注意力模塊的注意力權(quán)重。

23、優(yōu)選的，將不同調(diào)制類型的信號的iq數(shù)據(jù)輸入transformer網(wǎng)絡(luò)中提取得到全局特征信息fc，具體為：

24、在transformer網(wǎng)絡(luò)上，對不同調(diào)制類型的信號的iq數(shù)據(jù)先經(jīng)過lstm模塊進行時序特征提取，再經(jīng)過transformer網(wǎng)絡(luò)編碼模塊coder對不同調(diào)制類型信號的iq數(shù)據(jù)的全局特征進行提取，得到全局特征信息codex，對全局特征信息codex經(jīng)過一個線性層fc得到歸一化后的全局特征信息fc；所述線性層fc包括層歸一化層和線性層。

25、優(yōu)選的，所述長短期記憶網(wǎng)絡(luò)（long?short-term?memory,?lstm）是一種特殊類型的循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent?neural?network,?rnn），旨在解決傳統(tǒng)rnn在處理長序列數(shù)據(jù)時遇到的梯度消失或梯度爆炸問題。

26、其提取時序特征的流程如下：

27、將不同調(diào)制類型的信號的iq數(shù)據(jù)作為輸入lstm模塊的輸入序列，通過lstm模塊中的遺忘門、輸入門和輸出門對輸入序列控制，其中，部分序列的特征從細胞狀態(tài)中被丟棄，部分新的序列的特征寫入細胞狀態(tài)，以及部分序列的特征被輸出到隱藏狀態(tài)，lstm模塊中的細胞狀態(tài)會逐漸包含序列的局部和全局特征信息；

28、當lstm模塊中處理完整個不同調(diào)制類型的信號的iq數(shù)據(jù)的輸入序列后，提取到的隱藏狀態(tài)作為時序特征的表示。

29、進一步的，輸入序列包括：當前時刻的外部輸入、傳遞了前一個時間步的時序特征的隱藏狀態(tài)、保存了信息的長期時序特征，在每個時間步被更新的上一時刻的細胞狀態(tài)。

30、計算遺忘門來決定哪些時序特征需要從細胞狀態(tài)中丟棄。遺忘門的輸出值介于0到1之間，0表示完全忘記，1表示完全保留；

31、計算輸入門和候選細胞狀態(tài)。輸入門決定在隱藏狀態(tài)和當前時刻的輸入信息的組合中將多少新的時序特征寫入細胞狀態(tài)，候選細胞狀態(tài)提供新的時序特征；

32、通過遺忘門和輸入門更新細胞狀態(tài)，保留和丟棄時序特征；

33、計算輸出門和隱藏狀態(tài)。輸出門決定細胞狀態(tài)將哪些部分的時序特征作為輸出；隱藏狀態(tài)是當前時刻的輸出，也是傳遞給下一時刻的時序特征。

34、優(yōu)選的，構(gòu)建得到restransformeratt?模型，具體為：

35、歸一化后的全局特征信息fc和局部特征信息res在一維維度上將進行合并，得到不同信號調(diào)制類型的聯(lián)合特征output，從而構(gòu)建得到restransformeratt?模型。

36、優(yōu)選的，基于restransformeratt?模型，實現(xiàn)對融合全局-局部信息的低信噪比調(diào)制信號的識別，具體過程為：

37、通過線性層fc1把不同信號調(diào)制類型的聯(lián)合特征output轉(zhuǎn)換為與調(diào)制識別任務(wù)直接相關(guān)的輸出形式，得到歸一化的分類結(jié)果；該分類結(jié)果是一個概率分布表，它的列代表每個批次輸入restransformeratt?模型中的iq數(shù)據(jù)數(shù)量；每一行包含的元素個數(shù)為待識別的調(diào)制類型的個數(shù)，每個元素代表一種調(diào)制類型；每個元素的值都在[0,1]之間且所有元素的和為1；每行中數(shù)值最大的元素所對應(yīng)的識別類型為概率分布表中的行所對應(yīng)的輸入restransformeratt?模型的iq數(shù)據(jù)的最終預(yù)測結(jié)果。

38、優(yōu)選的，所述resnet網(wǎng)絡(luò)包括6個殘差模塊，1個展平層和2個全連接層模塊；

39、所述transformer?網(wǎng)絡(luò)包括2個前向卷積模塊，最大池化層以及長短期記憶網(wǎng)絡(luò)模型。

40、一種融合全局-局部信息的低信噪比調(diào)制信號識別系統(tǒng)，包括，

41、resnet網(wǎng)絡(luò)處理模塊，用于將不同調(diào)制類型信號的iq數(shù)據(jù)輸入resnet網(wǎng)絡(luò)中，先經(jīng)過cbam模塊得到加權(quán)后的特征x，再經(jīng)過resnet網(wǎng)絡(luò)提取得到局部特征信息res；

42、transformer網(wǎng)絡(luò)處理模塊，用于將不同調(diào)制類型信號的iq數(shù)據(jù)先經(jīng)過lstm模塊進行時序特征提取，再經(jīng)過transformer網(wǎng)絡(luò)編碼模塊coder對不同調(diào)制類型信號的iq數(shù)據(jù)的全局特征進行提取，歸一化后得到全局特征信息fc；

43、模型構(gòu)建模塊，用于對局部特征信息res和全局特征信息fc進行合并，得到不同信號調(diào)制類型的聯(lián)合特征output，從而構(gòu)建得到restransformeratt?模型，

44、信號識別模塊，用于基于restransformeratt?模型，實現(xiàn)對融合全局-局部信息的低信噪比調(diào)制信號識別。

45、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：

46、本發(fā)明提供一種融合全局-局部信息的低信噪比調(diào)制信號識別方法及系統(tǒng)，通過resnet的卷積核的局部感知來學習信號的空間關(guān)系，具有很強的局部上下文特征提取的能力，然而卷積層的局部特性限制了網(wǎng)絡(luò)捕獲全局信息，transformer具有全局信息建模的強大能力，能夠更好地處理長時間序列中的長程依賴特征。所以基于以上分析，本發(fā)明設(shè)計一種基于resnet和transformer的調(diào)制信號識別模型，利用resnet和transformer相結(jié)合設(shè)計學習全局-局部上下文來加強特征表示，在提升調(diào)制方式識別算法的穩(wěn)定性和特征提取精度方面具有重要意義。噪聲的存在會帶來隨機誤差，同時也會掩蓋信號的特征，使得信號的精度下降，影響信號處理的效果。cbam注意力機制可以使模型在特征提取中關(guān)注更為關(guān)鍵的信息，剔除抑制噪聲和無關(guān)信息。同時，在信號存在噪聲或多徑效應(yīng)時，lstm模塊也能夠過濾掉無關(guān)的擾動，保留重要的時間序列信息。因此，引入cbam作為resnet模型的輸入可以有效地抑制噪聲。lstm具有很強的序列數(shù)據(jù)處理能力，能夠通過其“記憶”機制（細胞狀態(tài)和隱藏狀態(tài)）有效捕捉數(shù)據(jù)中的長期依賴關(guān)系。這對于無線通信中的調(diào)制識別任務(wù)特別重要，因為調(diào)制類型的識別不僅依賴當前時刻的信號特征，還涉及到前后時刻的上下文信息。同時，在信號存在噪聲或多徑效應(yīng)時，lstm模塊能夠過濾掉無關(guān)的擾動，保留重要的時間序列信息。因此，引入lstm模塊作為transformer模型的輸入能夠同時學習信號中的時序特征和全局模式，顯著增強了特征提取的能力。通過仿真實驗驗證基于上述改進的resnet和transformer結(jié)合的模型對低信噪比和復(fù)雜信道環(huán)境下的信號的調(diào)制類型識別效果，結(jié)果表明該模型具有很強的魯棒性，并且在低信噪比條件下具有較高的識別精度。