一种双分量信号调制识别方法、系统、终端及介

本发明涉及信号调制识别领域，具体涉及一种双分量信号调制识别方法、系统、终端及介质。背景技术：1、由于现代作战平台电子战设备部署紧密，电子战设备不仅面临敌方干扰信号的威胁，还受到本地干扰信号的影响。现代作战平台中多种类调制方式和多类型干扰样式，使得接收信号的时频特征变得复杂，形成混合多信号场景。在混合多信号场景下，混合信号中存在多个信号分量，不同信号分量特征相互堆叠、相互掩盖，使得多种信号分量特征发生畸变，显著提升了调制识别的难度，降低了调制识别的准确率。混合信号的自动调制识别（automatic modulation classification, amc）可以为电子战设备的抗干扰提供先验信息，从而选取适当有效的抗干扰措施。因此，混合信号的自动调制识别作为抗干扰的前提，对提高现代作战平台电子战设备的抗干扰能力有重要意义。2、传统方法一般基于信号的时频特征、高阶特征、循环谱和星座图特征等，结合统计方法实现信号分类，但存在信噪比要求高、频率偏差敏感和识别类型少等问题。随着深度学习在图像识别等领域的广泛应用和发展，文献[o’shea tj, corgan j, clancy tc.convolutional radio modulation recognition networks; proceedings of theinternational conference on engineering applications of neural networks, f,2016 [c]. springer]第一次将深度学习（deep learning, dl）用于信号的amc，提出了一种基于卷积神经网络（convolutional neural network , cnn）模型的amc方法，在低信噪比条件实现了多种调制方式信号的分类。文献[kulin m, kazaz t, moerman i, et al.end-to-end learning from spectrum data a deep learning approach for wirelesssignal identification in spectrum monitoring applications[j]. ieee access,2017, 6: 18484-18501.]在上述文献的基础上，对信号进行同相和正交 (in-phase andquadrature, i&q)调制，并结合信号的幅度信息共同作为dl网络输入，实现ism频段上的信号识别。然而，随着干扰样式的增多，混合信号中分量样式组合数量呈指数增长，显著降低了上述单分量调制分类方法的准确率。3、目前多分量信号调制识别方法的研究主要面向雷达信号。有学者结合时频图像预处理和多决策阈值输出标签优化，利用卷积神经网络，完成了 6 类常见雷达干扰组合的识别。2020 年，文献[tian f, li h, yuan l. design and implementation of ad9361-based software radio receiver[j]. eurasip journal on wireless communicationsand networking, 2019, 2019(1): 95.]在前文网络结构的基础上，提出了一种端到端的多示例多标签学习框架，用于识别复合 lpi 雷达信号。然而，相对于雷达信号，通信混合信号的时频特征往往难以通过瀑布图进行区分，导致上述方法直接应用到通信混合信号调制分类后，准确率显著下降。技术实现思路1、为解决上述问题，本发明提供一种双分量信号调制识别方法、系统、终端及介质，通过同相、正交（i&q）调制将基带复数时域信号拆分为实部、虚部两部分，构成dl网络的输入，随后设计优化了深度卷积神经网络，最后通过归一化指数函数实现双分量信号的准确调制识别，有效提升调制识别率。2、第一方面，本发明的技术方案提供一种双分量信号调制识别方法，包括以下步骤：3、对输入的基带复数时域信号进行预处理，包括滤波和降采样，以及通过同相正交调制将预处理后的输入信号拆分为实部、虚部两部分；4、将拆分后的信号输入到训练完成的优化深度神经网络，提取到输入信号的特征；5、通过归一化指数函数对输入信号的提取特征进行分类实现调制识别。6、在一个可选的实施方式中，通过同相正交调制将预处理后的输入信号拆分为实部、虚部两部分，具体包括：7、输入的基带复数时域信号为离散的无线电时间序列，表示为，其中 n为采样点数； 8、第 n个离散采样时间点的无线电信号由正交同步采样的同相正交样本表示为； 9、将无线电时间序列 r拆分为实部和虚部两部分，组合成一个2× n的矩阵作为优化深度神经网络的输入，得到； 10、其中，、分别表示基带复数时域信号的同相正交调制输出，表示为11、。12、在一个可选的实施方式中，优化深度神经网络的结构从输入到输出依次包括输入层、卷积层c1、卷积层c2、卷积层c3、全连接层d1、全连接层d2。13、在一个可选的实施方式中，卷积层c1的参数为：卷积核的维度为(1, 7)，卷积核的个数为64，卷积步长为1，隐藏层的输入维度为(1, 2, 128)，输出维度为(64, 2, 126)，权重参数个数为512，激活函数为“relu”；14、卷积层c2的参数为：卷积核的维度为(1, 7)，卷积核的个数为64，卷积步长为1，隐藏层的输入维度为(64, 2, 130)，输出维度为(64, 2, 124)，权重参数个数为28736，激活函数为“relu”；15、卷积层c3的参数为：卷积核的维度为(2, 3)，卷积核的个数为64，卷积步长为1，隐藏层的输入维度为(64, 2, 128)，输出维度为(16, 1, 126)，权重参数个数为6160，激活函数为“relu”；16、全连接层d1的参数为：隐藏层的输入维度为(2016)，输出维度为(512)，权重参数个数为1032704，激活函数为“relu”；17、全连接层d2的参数为：隐藏层的输入维度为(512)，输出维度为双分量信号的种类，权重参数个数为3078，激活函数为“softmax”。18、在一个可选的实施方式中，该方法还包括：19、对优化深度神经网络进行训练时采用后向传播算法训练优化深度神经网络的各卷积层的权重参数，表示为20、21、式中，为学习率， j为损失函数，，为真实标签，为预测标签， nt为训练数据集的样本数量。 22、在一个可选的实施方式中，该方法还包括：23、对优化深度神经网络进行训练时包括对超参数的优化，依次包括：24、对网络输入的维度进行优化；25、对卷积核的长度进行优化；26、对卷积层层数进行优化；27、对卷积核个数进行优化。28、在一个可选的实施方式中，通过归一化指数函数对输入信号的提取特征进行分类实现调制识别，具体包括：29、分类结果表示为30、31、式中，为的向量，可表示为32、33、式中，为混合信号的组合数量，分别表示输入信号 r为不同调制方式的混合信号的概率，对应的取值范围和相互关系表示为 34、。35、第二方面，本发明的技术方案提供一种双分量信号调制识别系统，包括，36、信号预处理模块：对输入的基带复数时域信号进行预处理，包括滤波和降采样，以及通过同相正交调制将预处理后的输入信号拆分为实部、虚部两部分；37、特征提取模块：将拆分后的信号输入到训练完成的优化深度神经网络，提取到输入信号的特征；38、多分类识别模块：通过归一化指数函数对输入信号的提取特征进行分类实现调制识别。39、第三方面，本发明的技术方案提供一种终端，包括：40、存储器，用于存储双分量信号调制识别程序；41、处理器，用于执行所述双分量信号调制识别程序时实现如上述任一项所述双分量信号调制识别方法的步骤。42、第四方面，本发明的技术方案提供一种计算机可读存储介质，所述可读存储介质上存储有双分量信号调制识别程序，所述双分量信号调制识别程序被处理器执行时实现如上述任一项所述双分量信号调制识别方法的步骤。43、本发明提供的一种双分量信号调制识别方法、系统、终端及存储介质，相对于现有技术，具有以下有益效果：通过同相、正交（i&q）调制将基带复数时域信号拆分为实部、虚部两部分，构成dl网络的输入，随后设计优化了深度卷积神经网络，最后通过归一化指数函数实现双分量信号的准确调制识别，有效提升调制识别率，可以为电子战设备的抗干扰提供先验信息，对提高现代作战平台电子战设备的抗干扰能力有重要意义。