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