本发明涉及通信信号调制识别方法，特别涉及一种基于深度学习的通信信号调制识别方法。
背景技术：
1、随着通信技术的快速发展，移动设备数量以及通信传输速率的提高，通信系统的调制样式种类越来越多、越来越复杂，以及各种新应用场景的出现，使得电磁环境越来越复杂，传统的调制识别技术渐渐难以满足应用需要。目前，深度学习技术已经在计算机视觉、自然语言处理、图像处理、卫星通信等诸多领域都取得了显著的性能提升，可想而知，将深度学习与调制识别结合起来，会使调制识别领域的发展往前更进一步。因此，研究运用深度学习技术的信号调制识别具有十分重要的意义。
2、信号的调制识别方法按照是否需要人工提取参数可分为人工识别和自动识别两种。通信信号调制种类随着通信技术的发展不断增多、调制算法越来越繁琐，数字调制已经居于主要地位，人工识别的日渐式微，自动识别逐渐取代了它的地位。
3、通信信号调制方式的自动识别方法中，尽管神经网络模型在调制识别领域的运用已经取得了一定的成果，但是这些方法都假设训练和测试数据是从相同的标签和特征空间中提取一个公共的封闭集，即闭集识别，深度神经网络的前提是收集足够类型和大量的信号数据。然而，有些信号很难收集到足够的样本，特别是在军事领域。更现实的场景是开集识别(osr)，一旦训练集中没有出现的未知信号出现在测试集中，神经网络只能将其归入概率分数最高的已知类，而不能将其视为未知。因此面对日益复杂的电磁环境和层出不穷的新式调制样式，闭集识别的模式已经逐渐不再适用，如何在开放式环境下准确判断出新式调制样式已经成为当下研究的热点。2016年a.bendale等首次提出openmax开集识别算法，提出一种“距离矢量”作为区分各个类别之间的标准，在minst公开数据集上测试可以达到92％的识别准确率。2017年ge z等则利用生成对抗网络(gan)生成未知类别的虚假数据供网络进行特征学习，较原始的openmax算法性能提升3％-5％。2019年郝云飞等基于gan提出了一种适用于一维信号数据的重构判别网络模型，在信噪比大于0db时，对已知调制方式和未知调制方式信号的识别率均大于93％。2022年秦博伟等为解决轻量化模型下调制信号开集识别准确率不高的问题设计了一种数据重建和极值理论生成对抗网络模型，显著降低了算法复杂度。
4、随着通信技术探索的不断深入，尤其是在无线电频谱监测的非协作通信等情境下，信号的调制方式识别变得愈发关键。通信信号调制方式识别的难点在于识别不同的数字调制方式所需要提取的特征参数不同，而随着调制方式种类的增多，识别系统需要不断地完善和修改算法。基于上述难点，目前还找不到一种通用的信号调制方式识别模型，且传统识别方法会根据识别需求制定完全不同的识别系统，特征的提取非常依赖个人经验。伴随各频段频谱环境的逐日恶化，如何在复杂背景环境下既快又准地进行信号调制方式识别是目前的一个重要研究方向。
5、基于深度学习和卷积神经网络的自动调制识别方法能够直接从信号时频域数据中获取隐藏特征信息，不需要人工进行特征提取，降低了识别难度。本发明结合深度学习方法，提出一种基于深度学习的通信信号调制识别方法。
技术实现思路
1、目前利用通用的信号调制方式识别模型进行的信号识别方法，是根据识别需求制定完全不同的识别系统，提取信号特征依赖个人经验，伴随各频段频谱环境的逐日恶化，如何在复杂背景环境下既快又准地进行信号调制方式识别是目前的一个重要研究方向，因而本发明提出一种基于深度学习的通信信号调制识别方法。
2、上述目的通过以下的技术方案实现：
3、一种基于深度学习的通信信号调制识别方法，所述方法通过以下步骤实现：
4、步骤一、确定通信信号数据集为公开数据集rml2016.10a；
5、步骤二、采用短时傅里叶变换提取通信信号时频特征，将通信信号在时间和频率上进行局部化分析，时频图中的每个点代表在相应的时间和频率上信号的特性；
6、步骤三、构建卷积神经网络cnn和长短期记忆网络lstm结合的通信信号调制识别网络模型，将步骤一经短时傅里叶变换提取到的时频特征作为所述的网络模型的输入，所述的网络模型的输出为所述通信信号的调制方式。
7、进一步地，步骤一中采用的radioml2016.10a数据集，具体包含8个数字调制方式:8psk、bpsk、cpfsk、gfsk、pam4、16qam、64qam、qpsk；3个模拟调制方式：am-dsb、am-ssb、wbfm。
8、进一步地，步骤二所述的采用短时傅里叶变换提取通信信号时频特征的过程，具体是：
9、短时傅里叶变换英文全称short time fourier transform，简称stft，是通用音频信号处理方法，描述信号随时间变化时信号局部部分的正弦频率和相位内容，使用窗口将较长的信号分解为较短的信号片段，然后对每段信号分别进行傅里叶变换，stft对表示为下式：
10、
11、式中，x[k]是原始时域信号，g[k]是长度为l的分析窗口，x[k]的stft解释为x[k]·g[k-m]的傅里叶变换；
12、利用stft反映信号局部时间频域特征，联合表示时频域信息；stft在时频分析过程中使用固定分辨率的窗函数g[k]，时域分辨率与频域分辨率需要满足海森堡不等式(不确定性原理)，见下式：
13、
14、式中，δt是信号时宽，δf是信号带宽。
15、进一步地，步骤三所述的构建卷积神经网络cnn和长短期记忆网络lstm结合的通信信号调制识别网络模型的过程，具体是：基于卷积神经网络cnn与长短期记忆网络lstm双网络共同提取信号空间和时间上的特征，并通过分类器识别；所述的融合网络结构中的卷积神经网络cnn包括：卷积层、池化层、卷积层、池化层、2个全连接层，长短期记忆网络lstm包括：卷积层、卷积层、lstm层和全连接层，卷积神经网络cnn的全连接层的输出与长短期记忆网络lstm的全连接层的输出进行特征融合，输入至softmax层进行预测；
16、其中，所述的卷积神经网络cnn网络包含4个层次，卷积层对输入的数据进行处理，提取特征并提升特征图的维度；在维度增大之后，图像的大小变大，之后进行池化处理，池化层对各个小区域进行处理，只保留代表性的特征，降低数据规模；之后，通过全连接层对特征进行转换，将得到的局部特征图进行全局性整合；最后，由softmax层得到预测结果；
17、卷积神经网络cnn的权值共享降低卷积核中的参数数目，即在图像的遍历运算中，滤波器的参数保持不变；自动提取特征则是基于自适应的方式，来提取图像的抽象特征；卷积神经网络cnn依据输入的原始数据自主提取具有代表性的特征，感受野则能够呈现出特征图的局部特征关联性；
18、所述的长短期记忆网络lstm使用h和c表示传输状态，把x表示当前的输入，通过三个门来选择性的学习数据特征并更新传输状态，遗忘门、输入门、输出门的具体原理如下；
19、在遗忘门的作用下数据首先选择性学习部分特征，ft＝σ(ufht-1+wfxt)；
20、在输入门的作用下对传输状态c进行更新：
21、it＝σ(uiht-1+wixt)；
22、ct＝tanhσ(ught-1+wgxt)⊙it+ct-1⊙ft
23、在输出门部分通过激活函数得到传输状态ht以及输出：
24、ot＝σ(uoht-1+woxt)
25、ht＝tanh(ct)⊙ot
26、所述的长短期记忆网络lstm对遗忘门、输入门、输出门的开合度进行调整，实现数据的针对性的接收或输出。
27、本发明的有益效果为：
28、本发明构建卷积神经网络cnn和长短期记忆网络lstm结合的通信信号调制识别网络模型的深度学习方法，对信号进行调制识别，相对于传统的模式识别方法，神经网络可以从大量的样本中自动学习到样本特征，而不是采用手工设计的专家特征。利用多层神经网络搭建网络模型，并训练该网络，研究出最优的参数设置，挖掘数据之间的内部联系，最后用提取到的特征进行分类识别，以提高分类的准确性。
1.一种基于深度学习的通信信号调制识别方法，其特征在于：所述方法通过以下步骤实现：
2.根据权利要求1所述的一种基于深度学习的通信信号调制识别方法，其特征在于：步骤一中采用的radioml2016.10a数据集，具体包含8个数字调制方式:8psk、bpsk、cpfsk、gfsk、pam4、16qam、64qam、qpsk；3个模拟调制方式：am-dsb、am-ssb、wbfm。
3.根据权利要求2所述的一种基于深度学习的通信信号调制识别方法，其特征在于：步骤二所述的采用短时傅里叶变换提取通信信号时频特征的过程，具体是：
4.根据权利要求3所述的一种基于深度学习的通信信号调制识别方法，其特征在于：步骤三所述的构建卷积神经网络cnn和长短期记忆网络lstm结合的通信信号调制识别网络模型的过程，具体是：基于卷积神经网络cnn与长短期记忆网络lstm双网络共同提取信号空间和时间上的特征，并通过分类器识别；所述的融合网络结构中的卷积神经网络cnn包括：卷积层、池化层、卷积层、池化层、2个全连接层，长短期记忆网络lstm包括：卷积层、卷积层、lstm层和全连接层，卷积神经网络cnn的全连接层的输出与长短期记忆网络lstm的全连接层的输出进行特征融合，输入至softmax层进行预测；
