买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:电信科学技术第五研究所有限公司
摘要:本发明提供一种基于深度学习通道自注意力机制的QAM信号调制识别方法包括:从传感器中接入QAM信号和其他信号;对信号的I路数据和Q路数据进行瞬时相位计算,得到信号的瞬时相位;使用I路数据、Q路数据和瞬时相位构建QAM数据集;使用针对QAM信号设计的通道自注意力机制卷积神经网络对QAM数据集进行训练得到模型权重文件;对待预测信号的I路数据和Q路数据分别进行均匀切分处理和瞬时相位计算,得到M个信号预测样本;使用加载了所述模型权重文件的通道自注意力机制卷积神经网络对M个信号预测样本进行预测,得到M个预测结果;对M个预测结果进行分析得到识别结果。本发明计算消耗低、处理速度快、识别准确率高。
主权项:1.一种基于深度学习通道自注意力机制的QAM信号调制识别方法,其特征在于,包括如下步骤:步骤1、从传感器中接入信号,包括QAM信号和其他信号,信号的长度为L;步骤2、对信号的I路数据和Q路数据进行瞬时相位计算,得到信号的瞬时相位;步骤3、使用信号的I路数据、Q路数据和瞬时相位结合信号调制类型构建QAM数据集;步骤4、使用针对QAM信号设计的通道自注意力机制卷积神经网络对QAM数据集进行训练,损失值收敛后停止训练,得到模型权重文件;步骤5、对待预测信号的I路数据和Q路数据分别进行长度为L的均匀切分处理,并对切分好的I路数据和Q路数据进行瞬时相位计算,得到M个信号预测样本;步骤6、使用加载了所述模型权重文件的通道自注意力机制卷积神经网络对M个信号预测样本进行预测,得到M个预测结果;步骤7、对M个预测结果进行分析,选取预测最多的类型结果即为信号的识别结果;步骤4中所述通道自注意力机制卷积神经网络具体如下:通过三个cov_block模块分别对I路数据、Q路数据、瞬时相位进行的特征提取,再通过三个cov_block模块进一步进行特征提取,得到三种输入数据对应的三个特征矩阵;使用特征拼接的方式对三个特征矩阵进行融合,得到融合特征矩阵;对融合特征矩阵先使用依次连接的六个tem_block模块进行特征提取,得到特征向量;所述tem_block模块中嵌入了通道自注意力机制;使用1*1的卷积核对特征向量进行降维操作,最后通过Reshape操作对降维操作后的特征向量进行压缩。
全文数据:
权利要求:
百度查询: 电信科学技术第五研究所有限公司 一种基于深度学习通道自注意力机制的QAM信号调制识别方法
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。