申请/专利权人：中国人民解放军国防科技大学

申请日：2022-10-27

公开（公告）日：2024-03-19

公开（公告）号：CN115392326B

主分类号：G06F18/25

分类号：G06F18/25;G06F18/15;G06F18/213;G06F18/2431;G06N3/0464;G06N3/045;G06N3/084;G06N3/0895;G06N3/094;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2022.12.13#实质审查的生效;2022.11.25#公开

摘要：本发明公开了一种基于联合多模态信息与域对抗神经网络的调制识别方法，包括：构建域对抗神经网络模型；在模型的输入层中输入信号的多模态特征；对模型中的模态特征提取器、域知识学习器和分类器进行epoch训练，当总损失达到最小时停止训练，对模态特征提取器、分类器的网络权重参数进行保存；对训练后的域对抗神经网络模型进行测试；基于测试后的域对抗神经网络模型进行信号的调制识别。本发明用以解决小样本场景下的调制识别仅使用信号的单模态信息，忽略了将多个变换域的多模态信息融合在一起所获得的互补处理增益及没有利用大量的无标签数据进行训练，忽略了无标签数据隐藏的域标签对模型算法泛化能力的提升的问题。

主权项：1.一种基于联合多模态信息与域对抗神经网络的调制识别方法，其特征在于，包括以下步骤：构建域对抗神经网络模型，所述域对抗神经网络模型包括输入层、模态特征提取器、域知识学习器和分类器；所述模态特征提取器包括第一模态特征特征器、第二模态特征提取器和第三模态特征提取器，所述域知识学习器包括第一域知识学习器、第二域知识学习器、第三域知识学习器；每个所述模态特征提取器包括4个卷积层，每层所述卷积层均包括池化层，每层所述卷积层后均使用BatchNorm2d进行归一化处理，在前两层卷积层后引入通道注意力机制与空间注意力机制；在前两层卷积层后引入通道注意力机制与空间注意力机制的过程中，首先引入所述通道注意力机制，其次引入所述空间注意力机制；基于所述通道注意力机制与所述空间注意力机制，将卷积层提取的特征图进行通道和空间两个维度的注意力图计算，获取加权特征图，再与输入特征图相乘；具体计算表示为： 其中，Xt是输入的时序特征图，表示对应元素的点乘计算，Mc表示做通道注意力计算，Ms表示做空间注意力计算，Mc与Ms中做最大值池化与均值池化计算操作，X't，X”t分别表示通道加权与空间加权后的特征图；在所述输入层中输入信号的多模态特征；所述多模态特征包括时域特征、频域特征、源域数据和目标域数据，所述时域特征包括同相分量、正交分量；所述频域特征包括频谱幅度、二次方谱、四次方谱；所述源域数据为有标签的调制数据，所述目标域数据为没有标签的调制数据；在所述输入层中输入多模态特征的过程中，基于所述同相分量、所述正交分量获取同相正交分量，输入所述同相正交分量，获取时域特征；基于所述频谱幅度、所述二次方谱以及所述四次方谱获取频域特征；输入归一化幅度相位分量与瞬时相位，获取相位特征；假设正交采样处理后得到的基带复信号为则信号的时域特征与信号的频域特征计算被定义如下：信号的同相分量Ii和正交分量Qi分别为信号的实部和虚部： 其中，N为单个调制信号样本的长度；信号的频谱幅度X1i的计算公式如下： 信号的二次方谱X2i的计算公式如下： 信号的四次方谱X4i的计算公式如下： 将调制信号的同相分量和正交分量堆叠形成信号的同相正交分量输入Input_IQ，即Input_IQ＝[Ii；Qi],i＝1,2,3,...,N将调制信号的频谱幅度、二次方谱以及四次方谱堆叠形成信号频域特征输入Input_SPC，即Input_SPC＝[X1i；X2i；X4i],i＝1,2,3,...,N归一化幅度相位分量计算公式如下： 信号的瞬时相位为： 其中phasei的取值范围为-π,π]；将调制信号的归一化瞬时幅度和瞬时相位堆叠形成信号的相位特征输入Input_AP，即：Input_AP＝[ampi；phasei],i＝1,2,3,...,N；对所述模态特征提取器、所述域知识学习器和所述分类器进行epoch训练，当总损失达到最小时停止训练，对所述模态特征提取器、所述分类器的网络权重参数进行保存；对训练后的域对抗神经网络模型进行测试；基于测试后的域对抗神经网络模型进行信号的调制识别；对所述模态特征提取器、所述域知识学习器和所述标签预测器进行epoch训练的过程包括：S1.将所述同相正交分量输入第一特征提取器，获取第一源域隐藏层特征、第一目标域隐藏层特征；S2.将所述频域特征输入第二特征提取器，获取第二源域隐藏层特征、第二目标域隐藏层特征；S3.将所述相位特征输入第三特征提取器，获取第三源域隐藏层特征、第三目标域隐藏层特征；S4.将第一源域隐藏层特征、第一目标域隐藏层特征输入第一域知识学习器进行域分类并计算，获取同相正交分量域分类损失；S5.将第二源域隐藏层特征、第二目标域隐藏层特征输入第二域知识学习器进行域分类并计算，获取归一化瞬时幅度相位特征分量域分类损失；S6.将第三源域隐藏层特征、第三目标域隐藏层特征输入第三域知识学习器进行域分类并计算，获取频域特征分量域分类损失；S7.对第一源域隐藏层特征、第二源域隐藏层特征、第三源域隐藏层特征进行串行拼接，获取源域隐藏层总特征，将所述源域隐藏层总特征输入分类器，获取源域标签分类损失；S8.将所述源域标签分类损失、所述同相正交分量域分类损失、所述归一化瞬时幅度相位特征分量域分类损失、频域特征分量域分类损失相加，获取总损失函数，对所述总损失函数进行梯度下降和网络权重更新；S9.调整学习率，重复执行步骤S1-步骤S9；所述总损失函数为： 其中，θy分别是第一特征提取器、第二特征提取器、第三特征提取器、分类器的权重参数；Gy分别是第一特征提取器、第二特征提取器、第三特征提取器、分类器；是源域类别标签；Ly为交叉熵损失函数；λ1,λ2,λ3是权重系数；分别为第一域知识学习器、第二域知识学习器、第三域知识学习器的权重参数；是第一域知识学习器、第二域知识学习器、第三域知识学习器；是域标签；都是交叉熵损失函数；ns表示源域调制信号样本个数，表示单个源域调制信号样本，nt表示目标域调制信号样本个数，表示单个目标域调制信号样本，表示和的组合，即和分别经过特征提取器后，输入到域知识学习器；所述源域标签分类损失函数只针对源域数据，所述域分类损失同时针对源域和目标域数据。

全文数据：

权利要求：

百度查询： 中国人民解放军国防科技大学 基于联合多模态信息与域对抗神经网络的调制识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD