本申請提供了一種通用的載波調制方法及系統，涉及載波調制的技術領域，所述方法包括：生成具有不同調制方式的調制信號，即第一信號，獲取待調制的信號，對第一信號進行處理，建立第一預測模型，采用處理后的第一信號以及第一信號的調制方式對第一預測模型進行訓練，采用訓練后的第一預測模型對待處理的調制信號進行分析，獲得待處理的調制信號的調制方式，本申請能夠將調制信號的自身特性與深度學習結合起來，自動識別調制信號的調制方式。
【技術實現步驟摘要】
本申請涉及載波調制的，尤其是涉及一種通用的載波調制方法及系統。
技術介紹
1、人類社會的發展一直伴隨著通信技術的進步，從烽火狼煙到衛星偵察，從鴻雁傳書到時代，人類的通信技術得到了飛速發展和質的飛躍，通信手段也日趨豐富、高效和復雜。通信的目的在于快速準確地傳遞信息。回顧通信技術旳發展簡史，雖不過百余年但通信技術的發展可謂是日新月異。經過百余年的發展，通信技術經歷了模擬到數字的轉變。在通信技術的發展過程中，為了提高通信的質量和效率，更加高效地利用信道容量，滿足不同用戶的需求，通信信號釆用不同的調制體制，通信信號的調制可分為模擬調制和數字調制。模擬調制可以分為幅度調制和頻率相位調制；數字信號的調制方式則更為豐富，可分為幅移鍵控(ask)、頻移鍵控(fsk)、相移鍵控(psk)、正交振幅調制(qam)，而每一種調制方式又可進一步劃分，比如正交振幅調制可分為8qam、16qam、32qam、64qam、128qam、256qam等。
2、近些年將深度學習技術和無線電信號檢測結合起來已經成為了一種趨勢，但不同調制方式的信號特性差異很大，且需要將多種信號特征相結合才能完成信號的調制識別，如何將調制信號的自身特性與深度學習結合起來，自動識別調制信號的調制方式，得到了越來越多研究人員的關注。
技術實現思路
1、為了能夠自動且準確的識別調制信號的調制方式，本申請提供了一種通用的載波調制方法及系統。
2、第一方面，本申請提供了一種通用的載波調制方法，采用如下的技術方案：
<
p>3、一種通用的載波調制方法，包括：4、獲取信號：生成具有不同調制方式的調制信號，記為第一信號，并獲取待處理的調制信號；
5、信號處理：包括提取iq數據、時域轉換、整合和歸一化；
6、提取iq數據：提取第一信號的iq數據，獲取iq數據的信噪比，記為第一數據，獲取iq數據的調制方式，記為第一調制方式；
7、時域轉換：對iq數據進行時域上的特征轉換，獲得轉換結果，在轉換結果中提取瞬時幅度和瞬時相位；
8、整合：將瞬時幅度和瞬時相位按照第一數據和第一調制方式進行整合，獲得第二信號；
9、歸一化：對第二信號的幅度進行歸一化處理，獲得第三信號；
10、第一建模：基于深度學習算法，建立第一預測模型，所述第一預測模型包括：resnet子模型、全連接層和softmax分類器；
11、第一訓練：采用第三信號以及第三信號的調制方式對第一預測模型進行訓練；
12、預測：將待處理的調制信號作為訓練后的第一預測模型的輸入，輸出預測的調制方式。
13、通過采用上述技術方案，本申請提取了iq數據并計算了信噪比（即第一數據），有助于后續處理中區分信號質量，而調制方式的識別（即第一調制方式）則為后續整合提供了重要依據。將iq數據從頻域轉換到時域，并提取瞬時幅度和瞬時相位，之后整合瞬時幅度和瞬時相位，并根據第一數據和第一調制方式進行調整，可以增強信號的代表性，減少冗余信息。歸一化處理則有助于消除不同信號之間的量綱差異，提高深度學習模型的泛化能力。采用resnet（殘差網絡）作為子模型，結合全連接層和softmax分類器，構建了一個復雜的深度學習模型，即第一預測模型。resnet子模型擅長處理復雜數據，其殘差學習機制有助于緩解深層網絡中的梯度消失或爆炸問題，提高第一預測模型的學習能力。使用經過處理的第三信號及其調制方式對第一預測模型進行訓練，使第一預測模型能夠學習到不同調制方式下的信號特征，將待處理的調制信號輸入到訓練好的第一預測模型中，能夠更加精確的預測其調制方式。
14、可選地，在執行第一建模的步驟之后，執行第一訓練的步驟之前，還包括：
15、序列化：將第三信號按照時間順序進行排列，獲得第三信號序列；
16、模型重構：在第一預測模型中增加自注意力層，獲得第二預測模型，將第二預測模型作為新的第一預測模型。
17、通過采用上述技術方案，通過保持數據的原始順序，第一預測模型能夠更有效地捕捉序列中的時間依賴性和長期依賴性，有助于提升第一預測模型在預測、分類或生成任務上的準確性。調制信號中的噪聲會因為信號順序的混亂而增加，通過序列化，可以減少這種由信號排列不當引入的噪聲。序列化使得第一預測模型在訓練過程中，更容易找到第三信號的調制方式，從而加速訓練過程。在第一預測模型中增加自注意力層的主要目的是讓第一預測模型在處理序列信號時，能夠同時考慮第三信號序列中的每個第三信號與其他所有信號的關系，而不僅僅是相鄰的元素。自注意力層能夠顯著提高第一預測模型處理長序列的能力，同時保持對短序列的高效處理，使得第一預測模型在處理需要捕捉長距離依賴關系的任務時表現更佳。將序列化和模型重構這兩個步驟結合起來，可以在執行第一訓練步驟之前顯著提升第一預測模型的性能。序列化使信號按照時間順序進行排列，為第一預測模型提供了高質量的訓練數據；而模型重構的步驟通過在第一預測模型中增加自注意力層，增強了第一預測模型處理復雜序列數據的能力。這種結合使得第一預測模型在訓練過程中能夠更有效地學習數據中的模式和關系，從而在后續的任務中擁有更高的準確性和效率。
18、可選地，在執行序列化的步驟之后，執行模型重構的步驟之前，還包括：
19、提取關鍵信號：采用k-means聚類算法提取第三信號序列中關鍵的第三信號，記為第四信號。
20、本申請通過提取第三信號序列中的關鍵信號（記為第四信號），實際上是在減少第三信號序列中的冗余信息，有助于第一預測模型更加專注于學習那些對預測或分類任務真正重要的特征，從而提高模型的效率和準確性。關鍵信號往往包含了數據中最重要的信息，這些信息對于模型的決策過程至關重要，通過提取這些關鍵信號，可以增強它們在數據集中的表示，使第一預測模型更容易捕捉到這些重要的特征。
21、可選地，所述自注意力層包括局部自注意力部分和全局自注意力部分，
22、所述局部自注意力部分設置有一個固定大小的滑動窗口，通過使用所述的滑動窗口遍歷第三信號序列，在每個滑動窗口內計算第三信號與滑動窗口內剩余第三信號的注意力分數，記為第一注意力分數；
23、全局自注意力部分計算第三信號序列中每個第四信號與剩余第三信號的注意力分數，記為第二注意力分數；
24、將第一注意力分數和第二注意力分數進行加權平均后，作為自注意力層的輸出。
25、通過采用上述技術方案，本申請設置了一個自注意力層，該自注意力層包含計算局部注意力分數的局部自注意力部分、以及計算關鍵的第三信號（即第四信號）與剩余第三信號注意力分數的全局自注意力部分，實現了提取第三信號序列的局部特征和全局特征的功能，此過程無需在第二預測模型中增加額外的層級，簡化了模型結構。局部自注意力部分通過設置一個固定大小的滑動窗口，能夠細致地捕捉每個窗口內信號之間的依賴關系。由于只關注每個窗口內的信號，局部自注意力部分在計算上比全局自注意力本文檔來自技高網
...
【技術保護點】
1.一種通用的載波調制方法，其特征在于，包括：
2.根據權利要求1所述的通用的載波調制方法，其特征在于，在執行第一建模的步驟之后，執行第一訓練的步驟之前，還包括：
3.根據權利要求2所述的通用的載波調制方法，其特征在于，在執行序列化的步驟之后，執行模型重構的步驟之前，還包括：
4.根據權利要求3所述的通用的載波調制方法，其特征在于，所述自注意力層包括局部自注意力部分和全局自注意力部分，
5.根據權利要求3或4所述的通用的載波調制方法，其特征在于，在執行提取關鍵信號的步驟之后，執行模型重構的步驟之前，還包括：
6.根據權利要求5所述的通用的載波調制方法，其特征在于，在執行刪除的步驟之后，執行迭代的步驟之前，還包括：
7.根據權利要求1-4任一項所述的通用的載波調制方法，其特征在于，在執行第一訓練的步驟之后，執行預測的步驟之前，還包括：
8.根據權利要求7所述的通用的載波調制方法，其特征在于，在執行生成參數組合的步驟之后，執行部署的步驟之前，還包括：
9.根據權利要求8所述的通用的載波調制方法，其特征在于，執行推理的步驟之后，執行概率判斷的步驟之前，還包括：
10.一種通用的載波調制系統，其特征在于，所述系統適用于如權利要求1-9任一項所述的方法，所述系統還包括：
...
【技術特征摘要】
1.一種通用的載波調制方法，其特征在于，包括：
2.根據權利要求1所述的通用的載波調制方法，其特征在于，在執行第一建模的步驟之后，執行第一訓練的步驟之前，還包括：
3.根據權利要求2所述的通用的載波調制方法，其特征在于，在執行序列化的步驟之后，執行模型重構的步驟之前，還包括：
4.根據權利要求3所述的通用的載波調制方法，其特征在于，所述自注意力層包括局部自注意力部分和全局自注意力部分，
5.根據權利要求3或4所述的通用的載波調制方法，其特征在于，在執行提取關鍵信號的步驟之后，執行模型重構的步驟之前，還包括：
6.根據權利要求5...
【專利技術屬性】
技術研發人員：田振超，孫昊，孫亮亮，
申請(專利權)人：山東梅格彤天電氣有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。