技术领域
[0001] 本申请涉及信号处理技术领域，特别涉及一种信号的调制方式识别方法、装置、介质及设备。
相关背景技术
[0002] 信号的自动调制识别(Automatic Modulation Recognition，AMR)在无线通信中发挥着重要作用，它是指在不了解信号来源与调制信息的情况下，能够识别出信号的调制类型的一种技术手段。AMR有助于避免无线电干扰并优化频谱分配，被广泛应用于军用与民用领域，如信号认证、干扰识别、通信对抗、频谱检测和信息安全等。
[0003] 调制信号可以包括高信噪比信号和低信噪比信号，高信噪比信号的噪声较小，能够较为准确地识别出其调制方式；而低信噪比信号的噪声较为严重，如果准确识别出低信噪比信号的调制方式成为了一项富有挑战性的研究。
具体实施方式
[0061] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0062] 调制方式识别模型包括低信噪比信号识别模块、马尔可夫转换模块、降噪自编码器模块和特征提取分类模块。低信噪比信号识别模块用于将无线信号分类为高信噪比信号和低信噪比信号，并将低信噪比信号输出给马尔可夫转换模块。马尔可夫转换模块用于对低信噪比信号进行马尔可夫转换，得到热力图，并将热力图输出给降噪自编码器模块。降噪自编码器模块用于对热力图进行降噪，得到时域特征信息，并将时域特征信息输出给特征提取分类模块。特征提取分类模块用于对时域特征信息进行特征提取和分类，得到无线信号的调试方式。每个模块的结构和具体处理方式详见下文中的描述，此处不作赘述。
[0063] 下面对调制方式识别模型的训练流程进行说明。
[0064] 如图1所示，其示出了本申请一个实施例提供的信号的调制方式识别模型的训练方法的方法流程图，该信号的调制方式识别模型的训练方法可以应用于计算机设备中。该信号的调制方式识别模型的训练方法，可以包括：
[0065] 步骤101，获取训练数据集，训练数据集中的每个训练样本包括无线信号和标签，无线信号是低信噪比信号或高信噪比信号，标签用于标注无线信号的实际调制方式。
[0066] 本实施例中，选取公开数据集RML2016.10B中的数据作为无线信号，并根据每个无线信号生成同相‑正交(in‑phase quadrature，IQ)数据。其中，数据集中包含10种标准调制方式，包括数字调制和模拟调制，具体类型如下：
[0067] (1)数字调制：相移键控(Phase Shift Keying，PSK)、正交相移键控(Quadrature Phase Shift Keying，QPSK)、8移相键控(8Phase Shift Keying，8PSK)、16正交幅度调制(QuadratureAmplitude Modulation，QAM)、64QAM、高斯频移键控(Gauss frequency Shift Keying，GFSK)、连续相位频移键控(Continuous‑Phase Frequency Shift Keying，CPFSK)、4脉冲幅度调制(Pulse Amplitude Modulation，PAM)；
[0068] (2)模拟调制：宽带频率调制(Wide‑BandFrequencyModulation，WBFM)调幅调制‑双边带(Amplitude Modulation Double Sideband，AM‑DSB)。
[0069] 在20个信噪比条件下(从‑20dB到18dB，间隔2dB)，每个调制方式在每个信噪比值下包含128条双通道IQ数据。然后，将同一调制方式的相邻8组IQ数据进行合并，将原有100000条长度为2*128的IQ数据转成12500条长度为2*1024的IQ数据，将转换后的每条IQ数据和标签组成一个训练样本，该标签用于标注一种调制方式。
[0070] 步骤102，创建调制方式识别模型。
[0071] 调制方式识别模型包括低信噪比信号识别模块、马尔可夫转换模块、降噪自编码器模块和特征提取分类模块。
[0072] 步骤103，利用低信噪比信号识别模块从训练数据集中筛选具有低信噪比信号的训练样本。
[0073] 低信噪比信号识别模块包括2个卷积神经网络与1个全连接层，主要用于对低信噪比信号进行二分类，分为高信噪比信号(高信噪比IQ数据)和低信噪比信号(低信噪比IQ数据)。对于高信噪比信号，基于其他技术识别其调制方式；对于低信噪比信号，需要对其进行进一步的增强后再识别其调制方式，即执行步骤104。
[0074] 具体的，低信噪比信号识别模块中包括第一卷积层、第二卷积层和全连接层，利用低信噪比信号识别模块从训练数据集中筛选具有低信噪比信号的训练样本，可以包括：对于每个训练样本，利用第一卷积层对训练样本中的无线信号进行卷积处理，得到第一卷积特征信息；利用第二卷积层对第一卷积特征信息进行卷积处理，得到第二卷积特征信息；利用全连接层对第二卷积特征信息进行处理，得到无线信号的分类结果，分类结果为低信噪比信号或高信噪比信号；保留分类结果为低信噪比信号的各个训练样本。
[0075] 如图2所示，输入数据为Input[2，1024]，经过第一卷积层处理后得到的第一卷积特征信息为Conv[1024，64，3]，经过第二卷积层处理后得到的第二卷积特征信息为Conv[64，32，3]，经过全连接层处理后得到的信息为Fc[128，10]，最终的分类结果为低信噪比信号或高信噪比信号。低信噪比信号识别模块利用卷积神经网络(Convolutional Neural Networks，CNN)提取信号特征，且该方法在信噪比阈值为‑4dB时达到最佳分类精度，准确率高达97％。
[0076] 步骤104，对于筛选出的每个训练样本，利用马尔可夫转换模块对低信噪比信号进行马尔可夫转换，得到热力图；利用降噪自编码器模块中的阈值门限机制和协调注意力机制对热力图进行处理，得到时域特征信息；利用特征提取分类模块对时域特征信息进行特征提取和分类处理，得到预测调制方式。
[0077] 马尔可夫转换模块是利用马尔可夫(Markov)矩阵将一维的IQ数据转化为一个64*64的矩阵，并以此为基础，生成对应的热力图。
[0078] 具体的，利用马尔可夫转换模块对低信噪比信号进行马尔可夫转换，得到热力图，可以包括：根据低信噪比信号的分布划分Q个离散分布的分位数单元；拆分低信噪比信号中的实部分量和虚部分量，并根据实部分量和虚部分量将低信噪比信号映射到Q个分位数单元上；通过迁移概率对各个低信噪比信号生成Q×Q的加权邻接矩阵；利用高斯模糊算法对加权邻接矩阵进行高斯模糊处理，得到热力图。
[0079] 由于低信噪比信号是时域信号序列，所以，可以根据序列值的分布划分Q个离散分布的分位数单元；然后，在Python中使用Pyts.image库7中的MarkovTransitionField函数，将低信噪比信号中的实部分量和虚部分量进行拆分，并根据实部分量和虚部分量将低信噪比信号映射到Q个分位数单元上；通过迁移概率生成大小为Q×Q的加权邻接矩阵M，通过统计分位数区间的转移次数来揭示时间序列数据在不同分位数区间的流动情况，该加权邻接矩阵M还能够消除数据分布和时间步长对时序依赖的影响，对于数据的分布和时序依赖具有更强的鲁棒性，能够准确描述数据的动态变化：
[0080]
[0081] 其中，Wij/xi表示qi和qj对应分位数关系在加权邻接矩阵上的转移概率。
[0082] 然而，通过马尔可夫生成的热力图(也就是加权邻接矩阵M)的尺寸为256×256，涵盖了大量的冗余信息，在将加权邻接矩阵M应用于深度学习模型之前，需要考虑模型的复杂度和计算效率。为此，本实施例中采用高斯模糊技术对加权邻接矩阵M进行降维处理，使用Python库scipy.ndimage提供的gaussian_filter函数，滤波中心值sigma为2.0，模式为constant，将原始的加权邻接矩阵M维度通过高斯模糊算法降至64×64，向量合计为4096，可以重塑热力图的尺寸为4×1024，如图3所示。
[0083] 降噪自编码器模块是通过无监督学习输入数据的内在结构和分布来处理信号数据的。为了降低降噪自编码器模块的计算复杂度，本实施例中引入了阈值门限机制和协调注意力机制(Coordinate attention，CA)，能够剔除噪声和不重要的特征，从而增强信号的特质。此外，阈值门限机制和CA机制可以进一步学习和提取时域特征信息。
[0084] 阈值门限机制用于进一步过无线信号中的噪声，通过自适应学习设定合适的阈值，该机制能够抑制低于阈值的信号分量，降低噪声对信号质量的影响。
[0085] CA机制有助于增强时域特征信息在通道和空间上的提取，同时还考虑了长程依赖问题，通过引入CA机制，可以使调制方式识别模型在关注重要特征信息的同时更加轻量级化。降噪自编码器模块可以有效地降低信号的干扰和噪声，提高识别准确率，且该模块的参数量为13k左右，对模型参数量级未产生影响，引入该模块不仅能够保持网络整体模型的低复杂度设计，还能够增强信号的鲁棒性和抗干扰能力，为调制识别提供了一种有效的降噪和优化方案。
[0086] 如图4所示，降噪自编码器模块中包括编码器、降噪单元和解码器，利用降噪自编码器模块中的阈值门限机制和协调注意力机制对热力图进行处理，得到时域特征信息，可以包括：利用编码器对热力图进行编码，得到编码结果；利用降噪单元中的协调注意力机制对编码结果进行降噪处理，得到降噪特征；利用解码器对降噪特征进行解码，得到解码结果；基于阈值门限机制将热力图和解码结果相乘，得到时域特征信息。
[0087] 特征提取分类模块通过三组不同内核的卷积块实现对时域特征信息的特征提取，最后全连接层通过SoftMax激活函数将多个神经元的输出映射为[0,1]中的概率，以实现多种调制方式的分类。
[0088] 具体的，特征提取网络中包括第三卷积层、第四卷积层、第一池化层、第二池化层、第三池化层和三个卷积块，每个卷积块中包括卷积单元、批标准化单元和激活函数，利用特征提取网络对时域特征信息进行特征提取，得到中间特征信息，可以包括：利用第三卷积层对时域特征信息进行卷积处理，得到第三卷积特征信息；利用第一池化层对第三卷积特征信息进行池化处理，得到第一池化特征信息；利用第四卷积层对第一池化特征信息进行卷积处理，得到第四卷积特征信息；利用第二池化层对第四卷积特征信息进行池化处理，得到第二池化特征信息；依次利用三个卷积块对第二池化特征信息进行处理，得到第五卷积特征信息；利用第三池化层对第五卷积特征信息进行池化处理，得到中间特征信息。
[0089] 如图5所示，特征提取网络由14个卷积层和3个池化层组成，第1个卷积层Conv1(也就是第三卷积层)处理输入维度为4×1024的时域特征信息，卷积核大小为3*3，填充大小为(3，1)。为优化信号特征的提取，第1个池化层Maxpool1(也就是第一池化层)减少了特征图的大小，第2个卷积层Conv2(也就是第四卷积层)和第1个卷积层Conv1相同，第2个池化层Maxpool2(也就是第二池化层)和第1个池化层Maxpool1相同。随后，输出的特征图依次通过第3个卷积块Conv‑Block1、Conv‑Block2和Conv‑Block3，每一个卷积块Conv‑Block都由4个卷积单元、4个批标准化单元(Batchnorm2d)和激活函数ReLU组成，其中，每个卷积块Conv‑Block中的第一个和最后一个卷积单元使用1×1的核矩阵来减少特征图通道的维度，这影响了计算的复杂性；第二个和第三个卷积单元分别使用内核尺寸为3×1和1×3的非对称内核矩阵，而不是3×3内核矩阵，以减少可训练参数的数量。第3个池化层Maxpool3(也就是第三池化层)采用3*16的卷积核以匹配后续的特征融合操作。
[0090] 将得到的中间特征信息输入具有128个单元的的全连接(FC)层、ReLU激活层和一个随机抛弃70％的神经元的dropout层，最后通过采用softmax激活的全连接层输出识别结果，其中，dropout层用于预防过拟合的发生。
[0091] ReLU激活函数为：
[0092]
[0093] 其中：z[i]表示特征映射值。
[0094] 步骤105，根据调制方式识别模型的损失函数对预测调制方式和实际调制方式进行损失计算，根据计算结果对调制方式识别模型进行训练。
[0095] 调制方式识别模型采用交叉熵损失函数与SoftMax(回归)函数分类器相结合，以更精确地衡量预测调制方式与实际调制方式之间的差异，从而重构更准确的信号值，并提升模型训练的准确性。
[0096] 交叉熵损失函数的计算方式是：对于一组数据点，我们计算模型预测的概率分布和实际的标签分布之间的平均信息熵，其数学表达如下：
[0097]
[0098] 其中，m是标签的个数，t[i]是实际标签，p[i]是该标签的预测概率，其计算公式为：
[0099]
[0100] 其中，z[i]是通过Relu激活后的特征映射，s是分类任务的类别数。
[0101] 在训练阶段，可以根据损失计算结果，采用自适应矩估计(Adam)优化算法和反向传播机制更新调制方式识别模型中可训练参数的参数值，多次迭代并调整学习率直至调制方式识别模型达到稳定，保存模型参数。然后，将这些模型参数重新载入到调制方式识别模型中，基于训练好的调制方式识别模型去识别测试数据集上的调制方式，根据验证数据集验证各‑10db到20db信道下的损失值和准确率，从而评估模型性能并调整模型参数直至调制方式识别模型达到稳定。
[0102] 综上所述，本申请实施例提供的信号的调制方式识别模型的训练方法，通过低信噪比信号识别模块区分高低信噪比信号，从而实现分段训练。针对不同信噪比条件下的信号特点进行定制化优化，对于低信噪比信号，先利用马尔可夫变换的数据增强优化方法对低信噪比信号进行了增强，以增强调制方式识别模型对低信噪比信号的鲁棒性；再基于阈值门限机制和协调注意力机制的降噪自编码器对数据进行降噪处理，有效降低了噪声对识别结果的干扰，最后对得到的时域特征信息进行特征提取和分类，从而提高了低信噪比信号的调制方式识别的准确性。
[0103] 通过采用基于降噪自编码器的网络结构和非对称卷积的神经网络结构来构造调制方式识别模型，使调制方式识别模型能在充分完成特征提取的情况下尽量低的使用参数量。
[0104] 通过引入协调注意力机制，在不同维度上对特征信息进行乘法加权，完成原始特征的重新校准，得到的特征信息相较于原图更具优势。
[0105] 如图6所示，其示出了本申请一个实施例提供的信号的调制方式识别方法的流程图，该信号的调制方式识别方法可以应用于计算机设备中。该信号的调制方式识别方法，可以包括：
[0106] 步骤601，获取待识别的无线信号和训练好的调制方式识别模型，无线信号是低信噪比信号或高信噪比信号，调制方式识别模型包括低信噪比信号识别模块、马尔可夫转换模块、降噪自编码器模块和特征提取分类模块。
[0107] 其中，调制方式识别模型是采用图1所示的训练方式训练得到的模型，其结构和数据处理流程详见图2‑4。
[0108] 步骤602，利用低信噪比信号识别模块识别无线信号是否是低信噪比信号。
[0109] 低信噪比信号识别模块包括2个卷积神经网络与1个全连接层，主要用于对低信噪比信号进行二分类，分为高信噪比信号和低信噪比信号。对于高信噪比信号，基于其他技术识别其调制方式；对于低信噪比信号，需要对其进行进一步的增强后再识别其调制方式，即执行步骤504。
[0110] 具体的，低信噪比信号识别模块中包括第一卷积层、第二卷积层和全连接层，利用低信噪比信号识别模块识别无线信号是否是低信噪比信号，可以包括：利用第一卷积层对无线信号进行卷积处理，得到第一卷积特征信息；利用第二卷积层对第一卷积特征信息进行卷积处理，得到第二卷积特征信息；利用全连接层对第二卷积特征信息进行处理，得到无线信号的分类结果，分类结果为低信噪比信号或高信噪比信号；根据分类结果确定无线信号是否是低信噪比信号。
[0111] 如图2所示，输入数据为Input[2，1024]，经过第一卷积层处理后得到的第一卷积特征信息为Conv[1024，64，3]，经过第二卷积层处理后得到的第二卷积特征信息为Conv[64，32，3]，经过全连接层处理后得到的信息为Fc[128，10]，最终的分类结果为低信噪比信号或高信噪比信号。低信噪比信号识别模块利用卷积神经网络(ConvolutionalNeural Networks,CNN)提取信号特征，且该方法在信噪比阈值为‑4dB时达到最佳分类精度，准确率高达97％。
[0112] 步骤603，若无线信号是低信噪比信号，则利用马尔可夫转换模块对低信噪比信号进行马尔可夫转换，得到热力图。
[0113] 马尔可夫转换模块是利用马尔可夫(Markov)矩阵将一维的IQ数据转化为一个64*64的矩阵，并以此为基础，生成对应的热力图。
[0114] 具体的，利用马尔可夫转换模块对低信噪比信号进行马尔可夫转换，得到热力图，可以包括：根据低信噪比信号的分布划分Q个离散分布的分位数单元；拆分低信噪比信号中的实部分量和虚部分量，并根据实部分量和虚部分量将低信噪比信号映射到Q个分位数单元上；通过迁移概率对各个低信噪比信号生成Q×Q的加权邻接矩阵；利用高斯模糊算法对加权邻接矩阵进行高斯模糊处理，得到热力图。
[0115] 由于低信噪比信号是时域信号序列，所以，可以根据序列值的分布划分Q个离散分布的分位数单元；然后，在Python中使用Pyts.image库7中的MarkovTransitionField函数，将低信噪比信号中的实部分量和虚部分量进行拆分，并根据实部分量和虚部分量将低信噪比信号映射到Q个分位数单元上；通过迁移概率生成大小为Q×Q的加权邻接矩阵M，通过统计分位数区间的转移次数来揭示时间序列数据在不同分位数区间的流动情况，该加权邻接矩阵M还能够消除数据分布和时间步长对时序依赖的影响，对于数据的分布和时序依赖具有更强的鲁棒性，能够准确描述数据的动态变化：
[0116]
[0117] 其中，Wij/xi表示qi和qj对应分位数关系在加权邻接矩阵上的转移概率。
[0118] 然而，通过马尔可夫生成的热力图(也就是加权邻接矩阵M)的尺寸为256×256，涵盖了大量的冗余信息，在将加权邻接矩阵M应用于深度学习模型之前，需要考虑模型的复杂度和计算效率。为此，本实施例中采用高斯模糊技术对加权邻接矩阵M进行降维处理，使用Python库scipy.ndimage提供的gaussian_filter函数，滤波中心值sigma为2.0，模式为constant，将原始的加权邻接矩阵M维度通过高斯模糊算法降至64×64，向量合计为4096，可以重塑热力图的尺寸为4×1024，如图3所示。
[0119] 步骤604，利用降噪自编码器模块中的阈值门限机制和协调注意力机制对热力图进行处理，得到时域特征信息。
[0120] 降噪自编码器模块是通过无监督学习输入数据的内在结构和分布来处理信号数据的。为了降低降噪自编码器模块的计算复杂度，本实施例中引入了阈值门限机制和CA机制，能够剔除噪声和不重要的特征，从而增强信号的特质。此外，阈值门限机制和CA机制可以进一步学习和提取时域特征信息。
[0121] 阈值门限机制用于进一步过无线信号中的噪声，通过自适应学习设定合适的阈值，该机制能够抑制低于阈值的信号分量，降低噪声对信号质量的影响。
[0122] CA机制有助于增强时域特征信息在通道和空间上的提取，同时还考虑了长程依赖问题，通过引入CA机制，可以使调制方式识别模型在关注重要特征信息的同时更加轻量级化。降噪自编码器模块可以有效地降低信号的干扰和噪声，提高识别准确率，且该模块的参数量为13k左右，对模型参数量级未产生影响，引入该模块不仅能够保持网络整体模型的低复杂度设计，还能够增强信号的鲁棒性和抗干扰能力，为调制识别提供了一种有效的降噪和优化方案。
[0123] 如图4所示，降噪自编码器模块中包括编码器、降噪单元和解码器，利用降噪自编码器模块中的阈值门限机制和协调注意力机制对热力图进行处理，得到时域特征信息，可以包括：利用编码器对热力图进行编码，得到编码结果；利用降噪单元中的协调注意力机制对编码结果进行降噪处理，得到降噪特征；利用解码器对降噪特征进行解码，得到解码结果；基于阈值门限机制将热力图和解码结果相乘，得到时域特征信息。
[0124] 步骤605，当特征提取分类模块中包括特征提取网络和特征分类网络时，利用特征提取网络对时域特征信息进行特征提取，得到中间特征信息；利用特征分类网络对中间特征信息进行分类处理，得到无线信号的调制方式。
[0125] 特征提取分类模块通过三组不同内核的卷积块实现对时域特征信息的特征提取，最后全连接层通过SoftMax激活函数将多个神经元的输出映射为[0,1]中的概率，以实现多种调制方式的分类。
[0126] 具体的，特征提取网络中包括第三卷积层、第四卷积层、第一池化层、第二池化层、第三池化层和三个卷积块，每个卷积块中包括卷积单元、批标准化单元和激活函数，利用特征提取网络对时域特征信息进行特征提取，得到中间特征信息，可以包括：利用第三卷积层对时域特征信息进行卷积处理，得到第三卷积特征信息；利用第一池化层对第三卷积特征信息进行池化处理，得到第一池化特征信息；利用第四卷积层对第一池化特征信息进行卷积处理，得到第四卷积特征信息；利用第二池化层对第四卷积特征信息进行池化处理，得到第二池化特征信息；依次利用三个卷积块对第二池化特征信息进行处理，得到第五卷积特征信息；利用第三池化层对第五卷积特征信息进行池化处理，得到中间特征信息。
[0127] 如图5所示，特征提取网络由14个卷积层和3个池化层组成，第1个卷积层Conv1(也就是第三卷积层)处理输入维度为4×1024的时域特征信息，卷积核大小为3*3，填充大小为(3，1)。为优化信号特征的提取，第1个池化层Maxpool1(也就是第一池化层)减少了特征图的大小，第2个卷积层Conv2(也就是第四卷积层)和第1个卷积层Conv1相同，第2个池化层Maxpool2(也就是第二池化层)和第1个池化层Maxpool1相同。随后，输出的特征图依次通过第3个卷积块Conv‑Block1、Conv‑Block2和Conv‑Block3，每一个卷积块Conv‑Block都由4个卷积单元、4个批标准化单元(Batchnorm2d)和激活函数ReLU组成，其中，每个卷积块Conv‑Block中的第一个和最后一个卷积单元使用1×1的核矩阵来减少特征图通道的维度，这影响了计算的复杂性；第二个和第三个卷积单元分别使用内核尺寸为3×1和1×3的非对称内核矩阵，而不是3×3内核矩阵，以减少可训练参数的数量。第3个池化层Maxpool3(也就是第三池化层)采用3*16的卷积核以匹配后续的特征融合操作。
[0128] 将得到的中间特征信息输入具有128个单元的的全连接(FC)层、ReLU激活层和一个随机抛弃70％的神经元的dropout层，最后通过采用softmax激活的全连接层输出识别结果，其中，dropout层用于预防过拟合的发生。
[0129] ReLU激活函数为：
[0130]
[0131] 其中：z[i]表示特征映射值。
[0132] 综上所述，本申请实施例提供的信号的调制方式识别方法，针对不同信噪比条件下的信号特点进行定制化优化，对于低信噪比信号，先利用马尔可夫变换的数据增强优化方法对低信噪比信号进行了增强，以增强调制方式识别模型对低信噪比信号的鲁棒性；再基于阈值门限机制和协调注意力机制的降噪自编码器对数据进行降噪处理，有效降低了噪声对识别结果的干扰，最后对得到的时域特征信息进行特征提取和分类，从而提高了低信噪比信号的调制方式识别的准确性。
[0133] 通过采用基于降噪自编码器的网络结构和非对称卷积的神经网络结构来构造调制方式识别模型，使调制方式识别模型能在充分完成特征提取的情况下尽量低的使用参数量。
[0134] 通过引入协调注意力机制，在不同维度上对特征信息进行乘法加权，完成原始特征的重新校准，得到的特征信息相较于原图更具优势。
[0135] 如图7所示，其示出了本申请一个实施例提供的信号的调制方式识别装置的结构框图，该信号的调制方式识别装置可以应用于计算机设备中。该信号的调制方式识别装置，可以包括：
[0136] 获取模块710，用于待识别的无线信号和训练好的调制方式识别模型，无线信号是低信噪比信号或高信噪比信号，调制方式识别模型包括低信噪比信号识别模块、马尔可夫转换模块、降噪自编码器模块和特征提取分类模块；
[0137] 识别模块720，用于利用低信噪比信号识别模块识别无线信号是否是低信噪比信号；
[0138] 识别模块720，还用于若无线信号是低信噪比信号，则利用马尔可夫转换模块对低信噪比信号进行马尔可夫转换，得到热力图；
[0139] 识别模块720，还用于利用降噪自编码器模块中的阈值门限机制和协调注意力机制对热力图进行处理，得到时域特征信息；
[0140] 识别模块720，还用于利用特征提取分类模块对时域特征信息进行特征提取和分类处理，得到无线信号的调制方式。
[0141] 在一个可选的实施例中，低信噪比信号识别模块中包括第一卷积层、第二卷积层和全连接层，识别模块720，还用于：
[0142] 利用第一卷积层对无线信号进行卷积处理，得到第一卷积特征信息；利用第二卷积层对第一卷积特征信息进行卷积处理，得到第二卷积特征信息；利用全连接层对第二卷积特征信息进行处理，得到无线信号的分类结果，分类结果为低信噪比信号或高信噪比信号；
[0143] 根据分类结果确定无线信号是否是低信噪比信号。
[0144] 在一个可选的实施例中，识别模块720，还用于：
[0145] 根据低信噪比信号的分布划分Q个离散分布的分位数单元；
[0146] 拆分低信噪比信号中的实部分量和虚部分量，并根据实部分量和虚部分量将低信噪比信号映射到Q个分位数单元上；
[0147] 通过迁移概率对各个低信噪比信号生成Q×Q的加权邻接矩阵；
[0148] 利用高斯模糊算法对加权邻接矩阵进行高斯模糊处理，得到热力图。
[0149] 在一个可选的实施例中，降噪自编码器模块中包括编码器、降噪单元和解码器，识别模块720，还用于：
[0150] 利用编码器对热力图进行编码，得到编码结果；
[0151] 利用降噪单元中的协调注意力机制对编码结果进行降噪处理，得到降噪特征；
[0152] 利用解码器对降噪特征进行解码，得到解码结果；
[0153] 基于阈值门限机制将热力图和解码结果相乘，得到时域特征信息。
[0154] 在一个可选的实施例中，特征提取分类模块中包括特征提取网络和特征分类网络，识别模块720，还用于：
[0155] 利用特征提取网络对时域特征信息进行特征提取，得到中间特征信息；
[0156] 利用特征分类网络对中间特征信息进行分类处理，得到无线信号的调制方式。
[0157] 在一个可选的实施例中，特征提取网络中包括第三卷积层、第四卷积层、第一池化层、第二池化层、第三池化层和三个卷积块，每个卷积块中包括卷积单元、批标准化单元和激活函数，识别模块720，还用于：
[0158] 利用第三卷积层对时域特征信息进行卷积处理，得到第三卷积特征信息；
[0159] 利用第一池化层对第三卷积特征信息进行池化处理，得到第一池化特征信息；
[0160] 利用第四卷积层对第一池化特征信息进行卷积处理，得到第四卷积特征信息；
[0161] 利用第二池化层对第四卷积特征信息进行池化处理，得到第二池化特征信息；
[0162] 依次利用三个卷积块对第二池化特征信息进行处理，得到第五卷积特征信息；
[0163] 利用第三池化层对第五卷积特征信息进行池化处理，得到中间特征信息。
[0164] 在一个可选的实施例中，获取模块710，还用于获取训练数据集，训练数据集中的每个训练样本包括无线信号和标签，无线信号是低信噪比信号或高信噪比信号，标签用于标注无线信号的实际调制方式；
[0165] 创建模块，用于创建调制方式识别模型，调制方式识别模型包括低信噪比信号识别模块、马尔可夫转换模块、降噪自编码器模块和特征提取分类模块；
[0166] 识别模块720，还用于利用低信噪比信号识别模块从训练数据集中筛选具有低信噪比信号的训练样本；
[0167] 识别模块720，还用于对于筛选出的每个训练样本，利用马尔可夫转换模块对低信噪比信号进行马尔可夫转换，得到热力图；利用降噪自编码器模块中的阈值门限机制和协调注意力机制对热力图进行处理，得到时域特征信息；利用特征提取分类模块对时域特征信息进行特征提取和分类处理，得到预测调制方式；
[0168] 训练模块，用于根据调制方式识别模型的损失函数对预测调制方式和实际调制方式进行损失计算，根据计算结果对调制方式识别模型进行训练。
[0169] 综上所述，本申请实施例提供的信号的调制方式识别装置，针对不同信噪比条件下的信号特点进行定制化优化，对于低信噪比信号，先利用马尔可夫变换的数据增强优化方法对低信噪比信号进行了增强，以增强调制方式识别模型对低信噪比信号的鲁棒性；再基于阈值门限机制和协调注意力机制的降噪自编码器对数据进行降噪处理，有效降低了噪声对识别结果的干扰，最后对得到的时域特征信息进行特征提取和分类，从而提高了低信噪比信号的调制方式识别的准确性。
[0170] 通过采用基于降噪自编码器的网络结构和非对称卷积的神经网络结构来构造调制方式识别模型，使调制方式识别模型能在充分完成特征提取的情况下尽量低的使用参数量。
[0171] 通过引入协调注意力机制，在不同维度上对特征信息进行乘法加权，完成原始特征的重新校准，得到的特征信息相较于原图更具优势。
[0172] 如图8所示，其示出了适于用来实现本发明实施例的计算机设备800的结构示意图。图8示出的计算机设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0173] 如图7所示，计算机设备800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有计算机设备800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口也连接至总线804。
[0174] 以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
[0175] 特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本发明的系统中限定的上述功能。
[0176] 需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
[0177] 附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0178] 描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
[0179] 需要说明的是：上述实施例提供的信号的调制方式识别装置在进行信号的调制方式识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将信号的调制方式识别装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的信号的调制方式识别装置与信号的调制方式识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0180] 本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0181] 以上所述并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请实施例的保护范围之内。
