一种信号调制方式识别方法、装置、设备及可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113869227A(43)申请公布日2021.12.31(21)申请号202111151505.4(22)申请日2021.09.29(71)申请人西南交通大学地址610031四川省成都市二环路北一段111号(72)发明人兰萍英王平王泽文(74)专利代理机构北京集智东方知识产权代理有限公司11578代理人陈亚斌关兆辉(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图3页(54)发明名称一种信号调制方式识别方法、装置、设备及可读存储介质(57)摘要本发明提供了一种信号调制方式识别方法、装置、设备及可读存储介质，涉及无线通信技术领域，包括获取待识别信号和第一预设数量的训练信号；对待识别信号和训练信号数据集进行规则化处理后，使用训练深度学习模型；建立基于深度学习模型的调制识别数学模型，将待识别信号作为调制识别数学模型的输入信息，求解调制识别数学模型得到待识别信号的调制方式和识别概率，本发明通过将训练数据集做低通滤波处理，保留有效信号，可有效提升整个系统的识别性能；将待识别信号做低通滤波处理，可有效滤除干扰噪声，保留有效信号，提升信噪比，在非协作通信情况下，能够完成对多种调制信号的高精度识别。CN113869227ACN113869227A权利要求书1/2页1.一种信号调制方式识别方法，其特征在于，包括：获取第一信息，所述第一信息包括待识别信号和第一预设数量的训练信号，所述训练信号为经过模拟调制方式或数字调制方式进行信号调制后的信号；对所述待识别信号进行修复性转化得到修复后的所述待识别信号；将预设数量的训练信号转化得到训练信号数据集；建立基于二维卷积神经网络算法的深度学习模型，利用所述训练信号数据集训练所述深度学习模型，得到训练后的所述深度学习模型；建立基于训练后的所述深度学习模型的调制识别数学模型，将所述修复后的所述待识别信号作为所述调制识别数学模型的输入信息，求解所述调制识别数学模型得到所述待识别信号的调制方式和识别概率。2.根据权利要求1所述的信号调制方式识别方法，其特征在于,所述对所述待识别信号进行修复性转化得到修复后的所述待识别信号，包括：对修复后的所述待识别信号进行频偏估计得到频率偏移估计值；将修复后的所述待识别信号和所述频率偏移估计值作为第一预设公式的输入信息，求解所述第一预设公式得到第一转化信号；对第一转化信号进行低通滤波转化得到第二转化信号；获取所述训练信号的采样率与带宽比，根据所述采样率与所述带宽比对所述第二转化信号进行重采样得到第三转化信号；对所述第三转化信号进行归一化处理得到修复后的待识别信号。3.根据权利要求1所述的信号调制方式识别方法，其特征在于,所述将预设数量的训练信号转化得到训练信号数据集，包括：逐个对每个所述训练信号进行低通滤波转化得到第一信号集；对所述第一信号集进行归一化处理得到所述训练信号集。4.根据权利要求1所述的信号调制方式识别方法，其特征在于,所述将预设数量的训练信号转化得到训练信号数据集，之后包括：逐个将所述训练信号集中每个元素转化为IQ信号形式，并更新所述训练信号集中每个元素为IQ信号形式。5.一种信号调制方式识别装置，其特征在于，包括：获取单元，用于获取第一信息，所述第一信息包括待识别信号和第一预设数量的训练信号，所述训练信号为经过模拟调制方式或数字调制方式进行信号调制后的信号；修复总单元，用于对所述待识别信号进行修复性转化得到修复后的所述待识别信号；转化总单元，用于将预设数量的训练信号转化得到训练信号数据集；学习单元，用于建立基于二维卷积神经网络算法的深度学习模型，利用所述训练信号数据集训练所述深度学习模型，得到训练后的所述深度学习模型；识别单元，用于建立基于训练后的所述深度学习模型的调制识别数学模型，将所述修复后的所述待识别信号作为所述调制识别数学模型的输入信息，求解所述调制识别数学模型得到所述待识别信号的调制方式和识别概率。6.根据权利要求5所述的信号调制方式识别装置，其特征在于，所述修复总单元包括：估计单元，用于对修复后的所述待识别信号进行频偏估计得到频率偏移估计值；2CN113869227A权利要求书2/2页偏移修复单元，用于将修复后的所述待识别信号和所述频率偏移估计值作为第一预设公式的输入信息，求解所述第一预设公式得到第一转化信号；滤波修复单元，用于对第一转化信号进行低通滤波转化得到第二转化信号；采样修复单元，用于获取所述训练信号的采样率与带宽比，根据所述采样率与所述带宽比对所述第二转化信号进行重采样得到第三转化信号；第一归一化单元，用于对所述第三转化信号进行归一