本發(fā)明屬于信號(hào)處理,特別涉及基于多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法。

背景技術(shù)：

1、水聲通信是目前實(shí)現(xiàn)水下遠(yuǎn)距離、高速數(shù)據(jù)通信的唯一方式，而調(diào)制信號(hào)識(shí)別作為其中關(guān)鍵一環(huán)，發(fā)揮重要的作用。傳統(tǒng)的調(diào)制信號(hào)識(shí)別通常將iq信號(hào)數(shù)據(jù)序列直接映射為星座圖、循環(huán)譜圖或者將時(shí)間序列信號(hào)直接輸入網(wǎng)絡(luò)。但這些方法所提供的信息比較單一，可能導(dǎo)致信號(hào)分類性能差。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：為了在一定程度上克服由于相關(guān)技術(shù)的限制和缺陷而導(dǎo)致的一個(gè)或者多個(gè)問題，本發(fā)明提供了一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法。

2、技術(shù)方案：一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法。包括以下步驟：

3、步驟1：讀取輸入信號(hào)，生成格拉姆角場(chǎng)數(shù)據(jù)、馬爾可夫轉(zhuǎn)移場(chǎng)數(shù)據(jù)以及遞歸圖數(shù)據(jù)；

4、步驟2：將所述格拉姆角場(chǎng)數(shù)據(jù)、馬爾可夫轉(zhuǎn)移場(chǎng)數(shù)據(jù)和遞歸圖數(shù)據(jù)在通道方向進(jìn)行組合，生成混合圖像并構(gòu)建訓(xùn)練集和測(cè)試集；

5、步驟3：構(gòu)建調(diào)制識(shí)別模型，包括cbam模塊和cnn模塊；

6、步驟4：將混合圖像作為融合特征輸入cbam-cnn網(wǎng)絡(luò)，獲取輸入信號(hào)屬于不同調(diào)制類型的概率；

7、步驟5：選擇概率最高的類型作為所述輸入信號(hào)的真實(shí)類型。

8、本發(fā)明還公開了一種基于多特征融合網(wǎng)絡(luò)的通信信號(hào)調(diào)制識(shí)別系統(tǒng)，包括：

9、獲取模塊，被配置為：讀取輸入信號(hào)，生成格拉姆角場(chǎng)數(shù)據(jù)、馬爾可夫轉(zhuǎn)移場(chǎng)數(shù)據(jù)以及遞歸圖數(shù)據(jù)；

10、融合模塊，被配置為：將格拉姆角場(chǎng)數(shù)據(jù)、馬爾可夫轉(zhuǎn)移場(chǎng)數(shù)據(jù)以及遞歸圖數(shù)據(jù)進(jìn)行提取融合，得到的混合圖像表示即融合特征；

11、識(shí)別模塊，被配置為：融合特征被送入cbam-cnn網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠進(jìn)行時(shí)空信號(hào)相關(guān)性提取，最終得到所述輸入信號(hào)屬于不同類型的概率；

12、選擇模塊，被配置為：選擇概率最高的類型作為所述輸入信號(hào)的真實(shí)類型。

13、有益效果：一方面，本發(fā)明技術(shù)方案融合格拉姆角場(chǎng)數(shù)據(jù)、馬爾可夫轉(zhuǎn)移場(chǎng)數(shù)據(jù)以及遞歸圖數(shù)據(jù)，有助于更全面地理解信號(hào)的結(jié)構(gòu)和動(dòng)態(tài)特征。另一方面，本發(fā)明技術(shù)方案的網(wǎng)絡(luò)充分結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)的圖像特征提取能力和卷積塊注意力機(jī)制模塊的全局建模能力，實(shí)現(xiàn)了對(duì)調(diào)制信號(hào)的局部深度特征和全局特征的提取，從而顯著提升了網(wǎng)絡(luò)的分類準(zhǔn)確性和泛化能力。

技術(shù)特征：

1.一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，生成格拉姆角場(chǎng)數(shù)據(jù)，具體操作包括：

3.根據(jù)權(quán)利要求1所述的一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，生成馬爾可夫轉(zhuǎn)移場(chǎng)數(shù)據(jù)，具體操作包括：

4.根據(jù)權(quán)利要求1所述的一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，生成遞歸圖數(shù)據(jù)，具體操作包括：

5.根據(jù)權(quán)利要求4所述的一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，對(duì)于m和τ的值，根據(jù)偽鄰域法，平均互信息法來選取一個(gè)較為合適的值；

6.根據(jù)權(quán)利要求1所述的一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，將所述格拉姆角場(chǎng)數(shù)據(jù)、馬爾可夫轉(zhuǎn)移場(chǎng)數(shù)據(jù)和遞歸圖數(shù)據(jù)在通道方向進(jìn)行組合，具體操作為：將格拉姆角場(chǎng)矩陣、馬爾可夫轉(zhuǎn)移場(chǎng)矩陣和遞歸圖矩陣在通道方向上進(jìn)行偽彩色映射，生成rgb圖像。

7.根據(jù)權(quán)利要求1所述的一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，所述cbam模塊，包括通道注意力模塊和空間注意力模塊；

8.根據(jù)權(quán)利要求7所述的一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，所述的空間注意力模塊，具體為：

9.根據(jù)權(quán)利要求1所述的一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，所述cnn模塊，包括5個(gè)卷積層、5個(gè)批量歸一化層，5個(gè)relu層，5個(gè)最大池化層，1個(gè)隨機(jī)失活層，1個(gè)展平層，1個(gè)softmax層。

10.根據(jù)權(quán)利要求1所述的一種多特征融合和cbam-cnn網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，其特征在于，所述cbam-cnn網(wǎng)絡(luò)具體為在cnn的每一個(gè)批量歸一化層后面，添加一個(gè)cbam模塊。

技術(shù)總結(jié)
本發(fā)明公開了一種多特征融合和CBAM?CNN網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別方法，讀取輸入信號(hào)，生成格拉姆角場(chǎng)數(shù)據(jù)、馬爾可夫轉(zhuǎn)移場(chǎng)數(shù)據(jù)以及遞歸圖數(shù)據(jù)；將所述格拉姆角場(chǎng)數(shù)據(jù)、馬爾可夫轉(zhuǎn)移場(chǎng)數(shù)據(jù)和遞歸圖數(shù)據(jù)在通道方向進(jìn)行組合，生成混合圖像并構(gòu)建訓(xùn)練集和測(cè)試集；構(gòu)建調(diào)制識(shí)別模型，包括CBAM模塊和CNN模塊；將混合圖像作為融合特征輸入CBAM?CNN網(wǎng)絡(luò)，獲取輸入信號(hào)屬于不同調(diào)制類型的概率；選擇概率最高的類型作為所述輸入信號(hào)的真實(shí)類型。本發(fā)明有助于更全面地理解信號(hào)的結(jié)構(gòu)和動(dòng)態(tài)特征，顯著提升了網(wǎng)絡(luò)的分類準(zhǔn)確性和泛化能力。

技術(shù)研發(fā)人員：王彪,楊恒,方濤,劉彪,方梓德
受保護(hù)的技術(shù)使用者：江蘇科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9