本發(fā)明屬于自動調制識別，具體涉及一種基于一致性約束和特征原型的自動調制識別方法及裝置。

背景技術：

1、隨著信息技術的高速發(fā)展，對無線通信的要求越來越高，其中，無線頻譜的利用和管理變得至關重要。全無線頻譜感知技術是一種基于軟件定義無線電的技術，可以實時監(jiān)測無線頻譜并評估信道質量和信號強度等。全無線頻譜感知技術需要結合識別和分類等相關技術任務，才能高效地進行頻譜監(jiān)測和管理。其中，調制信號分類作為無線通信系統(tǒng)的關鍵任務之一，成為保證無線通信傳輸質量和穩(wěn)定性的重要手段。此外，調制信號分類還可以用于無線通信中的網絡安全、頻譜分配和信號抗干擾等領域。

2、然而，實際通信存在各種復雜的干擾和信道衰落等情況，這些因素會對信號的結構和特性造成嚴重的影響，從而使得信號調制識別技術面臨很大的挑戰(zhàn)。為了提高識別準確率和可靠性，拓展適用范圍，降低計算復雜度等，目前各國相關技術研究者正在積極研究和探索，力求在未來實現(xiàn)更加高效、智能、可靠的自動調制識別技術，以滿足人們對于通信質量和穩(wěn)定性的嚴格要求。

3、初期，自動調制識別主要通過人工選取的信號特征依據決策邊界等進行分類，識別效果極度依賴于選取的特征，且手動選取特征十分復雜。當信道受噪聲、多路徑衰落等影響時，會極大的影響識別效率。隨后出現(xiàn)的機器學習方法雖然相對于傳統(tǒng)方法具有分類效率高和性能高的優(yōu)點，但分類的效果仍然在一定程度上取決于專家的經驗。而深度學習方法不同，深度學習網絡可以通過其強大的特征提取能力，提取通信信號數據的高維特征，有效地實現(xiàn)通信信號識別分類任務，不在依賴于人工選取的專家特征。實驗證明，基于深度學習的調制識別方法更適用于處理無線電時間序列樣本數據，并且獲得的等效精度比傳統(tǒng)基于特征的分類器高出幾倍。這種利用神經網絡對原始數據進行端到端的訓練，能夠有效地學習到具有區(qū)分性的特征，并在調制識別任務中取得了極大的成功。

4、盡管當前深度學習在調制模式識別領域已取得一定進展，但在低信噪比環(huán)境下，其效能仍有顯著提升空間。隨著無線通信電磁環(huán)境的日益復雜化，接收信號頻繁遭遇各類干擾信號的混入，這對信號處理的準確性構成了挑戰(zhàn)。尤為嚴峻的是，在某些領域的應用中，對方可能利用智能干擾源自動鎖定并攻擊我方信號的特定頻點，極大地增加了接收機在頻域內區(qū)分有效信號與干擾的難度。此外，對方還可能采取降低發(fā)射機功率的策略，以降低其信號被我方截獲的可能性，進而導致我方接收到的信號信噪比極低。鑒于調制模式識別是解調過程中的關鍵環(huán)節(jié)，深入研究并提升低信噪比條件下的調制模式識別能力，對于保障通信安全、提升某場景信息獲取能力具有極其重要的現(xiàn)實意義。

技術實現(xiàn)思路

1、為了解決現(xiàn)有技術中存在的上述問題，本發(fā)明提供了一種基于一致性約束和特征原型的自動調制識別方法及裝置。本發(fā)明要解決的技術問題通過以下技術方案實現(xiàn)：

2、第一方面，本發(fā)明提供一種基于一致性約束和特征原型的自動調制識別方法，包括：

3、獲取待識別的調制信號；

4、將待識別的調制信號輸入至訓練好的自動調制識別模型中，進行待識別的調制信號中的高信噪比數據的特征提取，以及進行待識別的調制信號中的低信噪比數據的特征提取，輸出識別概率，得到待識別的調制信號的分類識別結果；

5、其中，訓練好的自動調制識別模型以預設類別的數據作為訓練數據集，對初始的自動調制識別模型進行訓練得到；預設類別的數據包括調制信號。

6、第二方面，本發(fā)明還包括一種基于一致性約束和特征原型的自動調制識別裝置，包括：

7、數據獲取模塊，用于獲取待識別的調制信號；

8、數據處理模塊，用于將待識別的調制信號輸入至訓練好的自動調制識別模型中，進行待識別的調制信號中的高信噪比數據的特征提取，以及進行待識別的調制信號中的低信噪比數據的特征提取，輸出識別概率，得到待識別的調制信號的分類識別結果；

9、其中，訓練好的自動調制識別模型以預設類別的數據作為訓練數據集，對初始的自動調制識別模型進行訓練得到；預設類別的數據包括調制信號。

10、本發(fā)明的有益效果：

11、本發(fā)明提供的一種基于一致性約束和特征原型的自動調制識別方法及裝置，能更好的應對低信噪比環(huán)境下，且不再依賴專家經驗，不會導致信號的特征被過度抑制或丟失，本發(fā)明模型部署后不產生額外計算開銷，且不需要人工設置閾值超參。

12、以下將結合附圖及實施例對本發(fā)明做進一步詳細說明。

技術特征：

1.一種基于一致性約束和特征原型的自動調制識別方法，其特征在于，包括：

2.根據權利要求1所述的基于一致性約束和特征原型的自動調制識別方法，其特征在于，在對初始的自動調制識別模型訓練之前，還包括：

3.根據權利要求2所述的基于一致性約束和特征原型的自動調制識別方法，其特征在于，所述第一卷積塊、所述第二卷積塊、所述第三卷積塊、所述第四卷積塊和所述第五卷積塊的結構相同，且均包括卷積層、批量歸一化層和rulu激活層；所述第一卷積塊的卷積層的卷積核的數量為50，卷積核的大小為2*8，步長為1，填充為0，所述第二卷積塊的卷積層的卷積核的數量為50，卷積核的大小為1*8，步長為1，填充為0，所述第三卷積塊的卷積層的卷積核的數量為50，卷積核的大小為1*8，步長為1，填充為0，所述第四卷積塊的卷積層的卷積核的數量為50，卷積核的大小為1*8，步長為1，填充為0，所述第五卷積塊的卷積層的卷積核的數量為100，卷積核的大小為2*5，步長為1，填充為0；

4.根據權利要求2所述的基于一致性約束和特征原型的自動調制識別方法，其特征在于，以預設類別的數據作為訓練數據集，對初始的自動調制識別模型進行訓練，包括：

5.根據權利要求4所述的基于一致性約束和特征原型的自動調制識別方法，其特征在于，將所述訓練數據集和所述訓練數據集中的訓練樣本的類型的真實標簽輸入至所述初始的自動調制識別模型進行迭代訓練，包括：

6.根據權利要求5所述的基于一致性約束和特征原型的自動調制識別方法，其特征在于，所述預設條件包括在預設的訓練次數內損失函數達到最小。

7.根據權利要求6所述的基于一致性約束和特征原型的自動調制識別方法，其特征在于，所述第1次迭代訓練中的損失函數l1的表達式為：

8.根據權利要求6所述的基于一致性約束和特征原型的自動調制識別方法，其特征在于，所述第2次迭代訓練中的損失函數l2的表達式為：

9.根據權利要求8所述的基于一致性約束和特征原型的自動調制識別方法，其特征在于，所述第i類訓練樣本的特征原型fi的表達式為：

10.一種基于一致性約束和特征原型的自動調制識別裝置，其特征在于，包括：

技術總結
本發(fā)明公開了一種基于一致性約束和特征原型的自動調制識別方法及裝置，包括：獲取待識別的調制信號；將待識別的調制信號輸入至訓練好的自動調制識別模型中，進行待識別的調制信號中的高信噪比數據的特征提取，以及進行待識別的調制信號中的低信噪比數據的特征提取，輸出識別概率，得到待識別的調制信號的分類識別結果；其中，訓練好的自動調制識別模型以預設類別的數據作為訓練數據集，對初始的自動調制識別模型進行訓練得到。本發(fā)明能更好的應對低信噪比環(huán)境下，且不再依賴專家經驗。

技術研發(fā)人員：張振熙,馬建昆,譚浩月,石曉然,陳炳贊,周峰
受保護的技術使用者：西安電子科技大學
技術研發(fā)日：
技術公布日：2025/1/9