申请/专利权人：中国人民解放军军事科学院系统工程研究院

申请日：2022-08-04

公开（公告）日：2024-04-23

公开（公告）号：CN115238748B

主分类号：G06F18/213

分类号：G06F18/213;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.11.11#实质审查的生效;2022.10.25#公开

摘要：本发明涉及一种基于Transformer和决策融合的调制识别方法，属于信号识别领域。本发明对获取到的离散复信号进行预处理，转换成IQ和AP序列；对于IQ序列和AP序列，经过卷积嵌入提取序列的空间特征，获得高维的嵌入向量序列；经过改进的Transformer模型，提取不同位置特征向量之间的依赖关系，输出包含全局相关性的编码向量序列；所有位置的编码向量经过注意力池化、线性变换和Softmax操作后输出决策特征向量和决策概率分布；IQ和AP两路的决策特征向量和决策概率分布经过自适应加权机制，获得决策融合后的联合决策向量和联合决策概率分布，输出联合识别结果；设置联合损失函数，利用训练样本集对网络模型的参数更新。本发明有效提高调制识别的准确性。

主权项：1.一种基于Transformer和决策融合的调制识别方法，其特征在于，该方法包括如下步骤：S1:对获取到的离散复信号进行预处理，转换成IQ和AP序列；S2：对于IQ序列，首先经过卷积嵌入提取序列的空间特征，获得高维的嵌入向量序列；经过改进的Transformer模型，提取不同位置特征向量之间的依赖关系，输出包含全局相关性的编码向量序列；S3：IQ序列所有位置的编码向量经过注意力池化、线性变换和Softmax操作后输出决策特征向量和决策概率分布；S4：AP序列经过与S2、S3中相同的网络架构获得相对应的决策特征向量和决策概率分布；S5：IQ和AP两路的决策特征向量和决策概率分布经过自适应加权机制，获得决策融合后的联合决策向量和联合决策概率分布，输出联合识别结果；S6：设置联合损失函数，利用训练样本集对网络模型的参数更新；其中，所述步骤S1具体包括：假设获取到长度为N的离散信号表示为：s[n]＝sI[n]+jsQ[n],n＝0,1,…N-1其中，sI[n]、sQ[n]分别为离散信号的同相和正交分量；IQ序列表示为： AP序列表示为： 其中，幅度分量相位分量所述步骤S2具体包括：S2.1IQ序列经过多个卷积层，提取数据的空间特征，将数据从低维空间映射到高维空间，获得Transformer模型输入所需要的高维嵌入向量序列；经过卷积嵌入后得到M个d维的嵌入向量组成的嵌入向量序列M为嵌入后的序列长度；S2.2嵌入向量序列xIQ经过L层相同结构的Transformer编码器，计算不同位置特征向量之间的相关性；假设每层编码器输出的编码向量为z”IQ，对应的数学表达式为：z'IQ＝LNDropMSAxIQ+xIQz”IQ＝LNDropMLPz'IQ+z'IQ其中，LN表示层归一化处理，Drop表示神经单元随机丢失的Dropout操作，MSA表示多头自注意力模块，MLP则表示全连接前馈网络。

全文数据：

权利要求：

百度查询： 中国人民解放军军事科学院系统工程研究院 一种基于Transformer和决策融合的调制识别方法

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