本發(fā)明涉及一種無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別方法，具體涉及一種基于多維度特征協(xié)同的無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別系統(tǒng)及方法。

背景技術(shù)：

1、隨著無人機(jī)技術(shù)的飛速發(fā)展，無人機(jī)在航拍、環(huán)境監(jiān)測(cè)、農(nóng)業(yè)植保、交通監(jiān)控等多個(gè)領(lǐng)域的應(yīng)用日益廣泛。無人機(jī)在執(zhí)行任務(wù)時(shí)，通過圖傳系統(tǒng)實(shí)時(shí)傳輸圖像、視頻等關(guān)鍵信息，為地面控制站提供重要的決策依據(jù)。然而，無人機(jī)圖傳信號(hào)的調(diào)制方式直接關(guān)系到數(shù)據(jù)傳輸?shù)男屎桶踩?，因此，?zhǔn)確識(shí)別無人機(jī)圖傳信號(hào)的調(diào)制方式成為了一個(gè)重要的研究課題。

2、傳統(tǒng)的無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別方法主要依賴于信號(hào)處理技術(shù)，如頻譜分析、特征提取和模式匹配等。這些方法雖然在一定程度上能夠識(shí)別信號(hào)的調(diào)制方式，但在面對(duì)復(fù)雜多變的信號(hào)環(huán)境和日益增多的調(diào)制類型時(shí)，往往顯得力不從心。此外，傳統(tǒng)方法通常需要人工設(shè)計(jì)特征提取器，不僅工作量大，而且難以應(yīng)對(duì)信號(hào)的非線性和時(shí)變性。

3、深度學(xué)習(xí)作為人工智能的一個(gè)重要分支，以其強(qiáng)大的自動(dòng)特征提取和學(xué)習(xí)能力，在圖像識(shí)別、語音識(shí)別、自然語言處理等領(lǐng)域取得了顯著成效。近年來，深度學(xué)習(xí)技術(shù)也逐漸被引入到通信信號(hào)處理領(lǐng)域，特別是在調(diào)制方式識(shí)別方面展現(xiàn)出巨大的潛力。通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，深度學(xué)習(xí)能夠自動(dòng)從信號(hào)數(shù)據(jù)中提取特征，并通過大規(guī)模數(shù)據(jù)訓(xùn)練，實(shí)現(xiàn)對(duì)不同調(diào)制方式的準(zhǔn)確識(shí)別。

4、基于深度學(xué)習(xí)的無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別方法不僅具有廣闊的應(yīng)用前景和重要的研究價(jià)值，而且在提高識(shí)別準(zhǔn)確性、增強(qiáng)魯棒性、支持多調(diào)制類型識(shí)別以及實(shí)現(xiàn)自動(dòng)化和智能化等方面具有顯著的必要性。通過充分利用深度學(xué)習(xí)的優(yōu)勢(shì)，可以實(shí)現(xiàn)對(duì)無人機(jī)圖傳信號(hào)調(diào)制方式的準(zhǔn)確、高效識(shí)別，為無人機(jī)技術(shù)的發(fā)展和應(yīng)用提供有力支持。未來，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展和完善，相信基于深度學(xué)習(xí)的無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別方法將在更多領(lǐng)域發(fā)揮重要作用。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于多維度特征協(xié)同的無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別系統(tǒng)及方法，該方法融合了時(shí)頻分析與深度學(xué)習(xí)技術(shù)，通過時(shí)頻同步優(yōu)化變換超越了傳統(tǒng)方法，能夠精準(zhǔn)解析復(fù)雜信號(hào)。

2、為了達(dá)到上述目的，本發(fā)明提供了一種基于多維度特征協(xié)同的無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別方法，其特征在于，該方法包含：

3、(s100)無人機(jī)通信信號(hào)數(shù)據(jù)采集及預(yù)處理

4、接收機(jī)內(nèi)部的模擬/數(shù)據(jù)器件對(duì)接收的模擬信號(hào)進(jìn)行模數(shù)轉(zhuǎn)換，并通過正交解調(diào)、數(shù)字下變頻將接收信號(hào)轉(zhuǎn)換為同相分量si(t)和正交分量si(t)兩路數(shù)字基帶信號(hào)，然后將si(t)、sq(t)兩路信號(hào)進(jìn)行合并，得到時(shí)域信號(hào)s(t)＝si(t)+j·sq(t)，j表示虛數(shù)單位；

5、(s200)將一維特征提取并重塑為二維特征圖，進(jìn)行歸一化處理；估計(jì)圖傳信號(hào)二維時(shí)頻圖；其中，所述一維特征包含：瞬時(shí)振幅、瞬時(shí)相位和瞬時(shí)頻率；

6、其中，所述估計(jì)圖傳信號(hào)二維時(shí)頻圖，包含：

7、s221)對(duì)合并后的時(shí)域信號(hào)做時(shí)頻同步優(yōu)化變換得到ttfso時(shí)頻分布：對(duì)合并后的時(shí)域信號(hào)以時(shí)間為橫軸，頻率為縱軸進(jìn)行分析，對(duì)采集的數(shù)據(jù)經(jīng)動(dòng)態(tài)諧波解析變換處理，每一次輸出皆可得到ttfso時(shí)頻譜，再計(jì)算每組數(shù)據(jù)沿著時(shí)間軸的ttfso時(shí)頻譜最大值，將各組數(shù)據(jù)的最大值拼接起來，得到全部樣本數(shù)據(jù)的ttfso時(shí)頻譜最大值圖；

8、所述時(shí)頻同步優(yōu)化變換的表達(dá)式為：

9、

10、式(1)中，tfr1(t,f)＝fft(s(t)·h(t))，tfr2(t,f)＝fft(s(t)·h'(t))；s(t)為時(shí)域信號(hào)；h(t)為窗函數(shù)；h′(t)為對(duì)窗函數(shù)h(t)的導(dǎo)數(shù)；fft為傅里葉變換，j為虛數(shù)單位；調(diào)整因子n是fft的點(diǎn)數(shù)，hlen為窗口長度；im表示取虛部；

11、s222)基于魯棒主成分分析rpca的無人機(jī)圖傳信號(hào)提取：根據(jù)在時(shí)頻域上遙控信號(hào)與圖傳信號(hào)相關(guān)性存在的差異，利用低秩矩陣恢復(fù)的方法將遙控信號(hào)、圖傳信號(hào)分別分配到稀疏矩陣、低秩矩陣中；rpca通過最小化重構(gòu)誤差的l2范數(shù)，來同時(shí)恢復(fù)出低秩矩陣a和稀疏矩陣e，以分離出無人機(jī)圖傳信號(hào)信息；所述最小化重構(gòu)誤差為時(shí)頻譜矩陣ttfso(t，f)與低秩矩陣a和稀疏矩陣e之和的差；

12、(s300)特征合并：把步驟(s200)所得的瞬時(shí)振幅重塑圖、瞬時(shí)相位重塑圖、瞬時(shí)頻率重塑圖與時(shí)頻圖作為四個(gè)通道合并成一個(gè)多通道的特征圖；

13、(s400)生成訓(xùn)練集和測(cè)試集：每個(gè)無人機(jī)信號(hào)樣本對(duì)應(yīng)四種特征：瞬時(shí)振幅重塑圖、瞬時(shí)相位重塑圖、瞬時(shí)頻率重塑圖與時(shí)頻圖，用于生成訓(xùn)練集和測(cè)試集；

14、(s500)構(gòu)建vggr16_channel?attention深度學(xué)習(xí)網(wǎng)絡(luò)并進(jìn)行訓(xùn)練：在vgg16深度學(xué)習(xí)網(wǎng)絡(luò)中嵌入channel?attention注意力模塊，在每個(gè)卷積層塊之后池化層之前插入通道注意力模塊，并對(duì)輸入層的多維度特征協(xié)同，調(diào)整第一個(gè)接受4通道輸入的卷積層的輸入通道數(shù)為4，使其能夠接受4個(gè)通道的特征圖，得到vggr16_channel?attention深度學(xué)習(xí)網(wǎng)絡(luò)，進(jìn)行訓(xùn)練；

15、(s600)待識(shí)別的無人機(jī)圖傳信號(hào)調(diào)制方式進(jìn)行識(shí)別：將待識(shí)別的無人機(jī)信號(hào)的樣本圖，輸入到訓(xùn)練好的vggr16_channel?attention深度學(xué)習(xí)網(wǎng)絡(luò)中，輸出無人機(jī)圖傳信號(hào)的識(shí)別結(jié)果。

16、優(yōu)選地，在步驟(s200)中，將一維特征提取并重塑為二維特征圖，進(jìn)行歸一化處理，包含：

17、s211)特征提?。簭牟杉臅r(shí)域信號(hào)s(t)中提取無人機(jī)圖傳信號(hào)的瞬時(shí)振幅、瞬時(shí)相位和瞬時(shí)頻率；

18、對(duì)于時(shí)域信號(hào)s(t)＝si(t)+j·sq(t)，

19、所述瞬時(shí)振幅，為：

20、所述瞬時(shí)相位，為：

21、所述瞬時(shí)頻率，為：

22、式中，arctan()表示求反正切，表示求導(dǎo)數(shù)；

23、s212)特征重塑：對(duì)每個(gè)一維特征進(jìn)行重塑，得到二維特征圖：瞬時(shí)振幅重塑圖、瞬時(shí)相位重塑圖和瞬時(shí)頻率重塑圖；

24、s213)特征歸一化：將每個(gè)二維特征圖進(jìn)行歸一化處理，以確保所有特征圖在相同的數(shù)值范圍內(nèi)，將二維數(shù)組中的數(shù)值歸一化到[-1,1]范圍內(nèi)。

25、優(yōu)選地，在步驟s221)中，所述h(t)取

26、優(yōu)選地，在步驟s222)中，將rpca問題轉(zhuǎn)化為一個(gè)凸優(yōu)化問題，目標(biāo)是最小化低秩矩陣a的核范數(shù)和稀疏矩陣e的l1范數(shù)之和，同時(shí)保證d＝a+e，優(yōu)化問題表示為：

27、

28、其中，表示針對(duì)低秩矩陣a和稀疏矩陣e求最小值，s.t.表示約束條件；||||*表示矩陣的核范數(shù)，||||1表示矩陣的l1范數(shù)，λ是低秩項(xiàng)與稀疏項(xiàng)之間的平衡參數(shù)；

29、求解式(2)，得到低秩矩陣a，也即得到分離出的無人機(jī)圖傳信號(hào)信息。

30、優(yōu)選地，所述λ＝0.1。

31、優(yōu)選地，在步驟(s400)中，以7：3的比例組合成訓(xùn)練集和測(cè)試集。

32、優(yōu)選地，在步驟(s500)中，所述vggr16_channel?attention深度學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)包含：依次連接的輸入層、卷積層塊一、通道注意力模塊一、池化層一、卷積層塊二、通道注意力模塊二、池化層二、卷積層塊三、通道注意力模塊三、池化層三、卷積層塊四、通道注意力模塊四、池化層四、卷積層塊五、通道注意力模塊五、池化層五、全連接層和softmax分類器。

33、優(yōu)選地，在步驟(s500)中，所述vggr16_channel?attention深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練，包含：使用隨機(jī)采樣算法，打亂訓(xùn)練集中樣本圖的順序，得到亂序后的訓(xùn)練集；設(shè)置訓(xùn)練循環(huán)次數(shù)epoch，把所有的樣本送入神經(jīng)網(wǎng)絡(luò)后，經(jīng)過多次迭代訓(xùn)練保證所有數(shù)據(jù)在最后都處于收斂階段；選擇批處理大小batchsize，設(shè)置學(xué)習(xí)率learningrate，損失函數(shù)修改為基于均方誤差的加權(quán)損失函數(shù)msetotal；將亂序后的無人機(jī)樣本圖訓(xùn)練集和驗(yàn)證集，輸入到vggr16_channel?attention深度學(xué)習(xí)網(wǎng)絡(luò)中，不斷迭代更新參數(shù)，直到加權(quán)損失函數(shù)收斂為止，得到訓(xùn)練好的vggr16_channel?attention深度學(xué)習(xí)網(wǎng)絡(luò)。

34、優(yōu)選地，設(shè)定w1、w2、w3、w4分別代表輸入特征瞬時(shí)振幅重塑圖、瞬時(shí)相位重塑圖、瞬時(shí)頻率重塑圖、時(shí)頻圖的權(quán)重，基于均方誤差的加權(quán)損失函數(shù)針對(duì)每個(gè)特征分別計(jì)算，然后加權(quán)求和：

35、對(duì)于某個(gè)樣本，模型對(duì)四個(gè)特征的預(yù)測(cè)值分別為真實(shí)值分別為y1、y2、y3、y4，那么，基于均方誤差的損失函數(shù)計(jì)算為：

36、msetotal＝w1×mse1+w2×mse2+w3×mse3+w4×mse4

37、其中，每個(gè)特征的均方誤差損失msei如下：

38、

39、其中，n是樣本中的元素?cái)?shù)量，和yik分別是第i個(gè)特征的第k個(gè)元素的預(yù)測(cè)值和真實(shí)值。

40、本發(fā)明的另一目的是提供一種基于多維度特征協(xié)同的無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別系統(tǒng)，該系統(tǒng)采用所述的基于多維度特征協(xié)同的無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別方法對(duì)無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別。

41、本發(fā)明的基于多維度特征協(xié)同的無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別系統(tǒng)及方法，具有以下優(yōu)點(diǎn)：

42、(1)本發(fā)明的方法融合了時(shí)頻分析與深度學(xué)習(xí)技術(shù)，通過時(shí)頻同步優(yōu)化變換超越了傳統(tǒng)方法，能夠精準(zhǔn)解析復(fù)雜信號(hào)。它協(xié)同利用了一維特征(包括瞬時(shí)振幅、瞬時(shí)相位和瞬時(shí)頻率)和二維圖像特征(即時(shí)頻圖)，實(shí)現(xiàn)了精細(xì)的多特征表示。同時(shí)，本發(fā)明采用了經(jīng)過通道注意力機(jī)制增強(qiáng)的vggr16網(wǎng)絡(luò)，以提升視覺任務(wù)的性能。該方法保持了模型的輕量高效，增強(qiáng)了特征學(xué)習(xí)能力，從而推動(dòng)無人機(jī)圖傳信號(hào)調(diào)制方式識(shí)別技術(shù)邁向新高度；

43、(2)本發(fā)明的方法采用深度卷積神經(jīng)網(wǎng)絡(luò)vggr16_channel?attention，通過堆疊多層卷積層，有效提取圖像或信號(hào)的高級(jí)特征，尤其是無人機(jī)圖傳信號(hào)中細(xì)微且復(fù)雜的調(diào)制特征，其小卷積核設(shè)計(jì)不僅減少了參數(shù)，還增強(qiáng)了網(wǎng)絡(luò)的非線性，豐富了特征表示；

44、(3)本發(fā)明的方法采用深度卷積神經(jīng)網(wǎng)絡(luò)vggr16_channel?attention，引入了高效的通道注意力機(jī)制，動(dòng)態(tài)調(diào)整特征通道的重要性，使模型聚焦于關(guān)鍵特征，提升識(shí)別準(zhǔn)確性與效率，并減少冗余信息，降低計(jì)算成本；

45、(4)本發(fā)明的方法還展現(xiàn)出廣泛的應(yīng)用適應(yīng)性，能識(shí)別多種調(diào)制方式，且對(duì)信道噪聲、干擾等具有較強(qiáng)的魯棒性。同時(shí)，借助預(yù)訓(xùn)練權(quán)重和現(xiàn)代深度學(xué)習(xí)框架，模型易于訓(xùn)練和優(yōu)化，收斂迅速，泛化能力強(qiáng)。