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：CN115238749B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/25;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的特征融合的调制识别方法，属于信号识别领域。本发明利用Transformer编码器，提取IQ和AP序列不同位置特征向量之间的依赖关系，获得序列内部的编码向量序列；对编码向量进行交叉注意力计算，获得序列之间的关联特征向量；将IQ和AP序列的关联特征向量进行拼接，经过分类器后输出调制类别的概率分布和识别结果；设置交叉熵损失函数，将网络输出的调制类别的概率分布与样本标签进行计算，实现调制识别网络模型的参数更新。本发明利用交叉注意力模块提取IQ和AP序列之间的关联特征，结合特征拼接获得联合特征表示，提高基于特征融合的调制识别准确率；利用Transformer模型和交叉注意力模块中的并行计算架构，提升整个网络模型的训练速度。

主权项：1.一种基于Transformer的特征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；在序列前面添加可学习的类别向量；然后叠加位置编码；S3：对于包含位置信息的嵌入向量序列，通过Transformer编码器模块提取IQ序列不同位置特征向量之间的依赖关系，获得包含全局相关性的编码向量序列；S4：AP序列经过与S2、S3中相同的网络架构，获得AP序列对应的编码向量序列；S5：对IQ序列和AP序列的编码向量进行交叉注意力计算，获得序列之间的关联特征向量；S6：将IQ和AP序列的关联特征向量进行拼接，经过分类器后输出调制类别的概率分布和识别结果；S7：设置交叉熵损失函数，将网络输出的调制类别的概率分布与样本标签进行计算，实现S2至S6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；经过卷积嵌入后得到M个d维的特征向量组成的嵌入向量序列M为嵌入后的序列长度；S2.2在嵌入向量序列前添加可学习的类别向量用于全局的特征表示，并最终作为分类器的输入；S2.3对嵌入向量序列叠加位置编码，获得Transformer模型的输入；Transformer模型的输入的公式表示为： 所述步骤S3具体包括：包含位置信息的嵌入向量序列zIQ经过Transformer编码器，计算不同位置特征向量之间的相关性，获得IQ序列的编码向量序列；Transformer编码器是由L层结构相同的编码器串联而成，每层编码器的数学表达式为：z'IQ＝LNDropMSAzIQ+zIQz'I'Q＝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；Transformer编码器利用MSA模块捕获不同位置的特征向量之间的相关性，得到考虑不同位置相关性的编码向量；然后利用MLP模块筛选特征向量中的有用信息；经过L层编码器后输出编码向量序列oIQ，表示为为IQ数据的类别特征向量，为IQ数据的序列特征向量。

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的特征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