一种基于图神经网络的通信信号调制方式的识别方法与流程

本发明属于无线通信技术领域，尤其涉及一种基于图神经网络的通信信号调制方式的识别方法。

背景技术：

目前，业内现有技术是这样的：通信信号调制技术可以将发射信息映射为高阶调制符号，提高通信系统的传输速率，又可以实现信号的频谱搬移，使通信系统适应不同的信道的传输特性，提高通信的可靠性，是现代通信系统的基础技术。在认知无线电、军事电子对抗等非合作通信中，我方目标为接收或干扰对方信号，因此需要使用通信信号调制方式识别技术准确识别对方发射信号的调制方式。现有方法可以有效的识别通信信号调制方式，但计算复杂度过高、需要额外的数据预处理是现有方法面临的主要问题。

现有技术一提出了一种通信信号调制方式识别的方法。该方法首先利用了高阶累积量来提取调制信号关键特征，由于理论上高斯白噪声的高阶累积量为零，因此高阶累积量具有很好的对抗高斯白噪声的性能，高阶累积量的累积阶数越高，噪声功率也就越小，得到的高阶累积量的关键信息也就越多，最后使用模式识别方法分类提取的信号高阶累积量，得到信号的分类结果。该方法适合处理噪声环境下的调制方式识别问题。该方法的不足之处是：需要额外的数据预处理来提取信号的高阶累积量，高阶累积量的种类繁多，不同类型的高阶累积量适用于不同信道环境下的调制方式识别问题，因此高阶统计量类型的选择有一定的经验性和主观性。

现有技术二通过结合调制方式识别和深度学习技术提出了一种基于卷积神经网络的调制方式识别方法，该方法在接收端将复信号按照实部和虚部拆分成两行的矩阵，建立了双层卷积神经网络，将调制信号矩阵输入卷积神经网络中，利用神经网络中的卷积层来自动提取信号特征，最后通过输出层的激活函数将信号特征映射为分类结果。该方法可以实现端到端学习，提高通信信号调制方式识别的效率。该方法存在的不足之处是：在低信噪比情况下，信号的噪声功率较大，原始的卷积神经网络不能在含噪信号中提取有代表性的底层特征，也就不能根据信号特征做出准确的预测，调制方式识别准确率较低。

现有技术三提出了通过结合星座图和卷积神经网络的调制方式识别方法。该方法的实施步骤为：第一，射频信号数据的生成或采集；第二，射频信号数据按照调制方式分类和整理；第三，生成射频信号的星座图；第四，将部分星座图输入卷积神经网络进行模型训练；第五，将部分验证星座图输入卷积神经网络，验证该方法的分类准确度；第六，将测试星座图输入卷积神经网络进行分类识别。该方法存在的不足之处在于：卷积神经网络的输入数据为复信号对应的星座图，因此需要将原始复信号转化为星座图，该转化过程引入了额外的数据预处理，提高了算法的计算复杂度，降低了算法的预测效率。

综上所述，现有技术存在的问题是：现有方法可以有效的识别通信信号调制方式，但需要额外的数据预处理，从而提高了算法的计算复杂度，降低了算法的预测效率，低信噪比下的识别准确率较低。

解决上述技术问题的难度：

调制方式识别算法的效率和准确率是矛盾的，若提高算法的效率需要降低模型的复杂度，而若提高算法的准确率则需要提高模型的复杂度，要达到二者的平衡，需要合理的设计模型结构的复杂度，在低信噪比情况下，信号淹没在功率较大的噪声中，难以从含噪信号中提取足够的特征，因此调制方式的识别准确率较低。

解决上述技术问题的意义：

可以在保证调制方式识别算法准确率的前提下，尽量的降低模型复杂度，从而提高模型的预测效率，使识别算法可以兼顾效率与准确率，若提高了低信噪比情况下的调制识别准确率，可以使调制方式识别算法适用于更多低信噪比下的信道环境。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于图神经网络的通信信号调制方式的识别方法。

本发明是这样实现的，一种基于图神经网络的通信信号调制方式的识别方法，所述基于图神经网络的通信信号调制方式的识别方法在发射端发射多种调制方式的调制信号，接收端接收并存储调制信号和对应的调制方式，得到通信信号调制方式识别数据集；将数据集按照图神经网络接口的数量进行划分，得到多个训练样本子集，将训练样本子集逐个输入特征嵌入网络，输出调制信号的特征嵌入向量，再将特征嵌入向量集输入图神经网络，输出测试样本的特征向量；最终将测试样本的特征向量映射为分类结果，根据分类结果对特征嵌入网络和图神经网络进行训练，完成训练后可以用来识别未知调制信号的调制方式。

进一步，所述基于图神经网络的通信信号调制方式的识别方法包括以下步骤：

步骤一，发射端发送多种调制方式的调制信号；

发射端根据不同调制方式的星座图将发送信息映射为不同类别的调制信号，将调制信号经过多种信噪比的信道发送出去；

步骤二，接收端处理并存储调制信号；

接收端收到调制信号后对其做下变频操作，得到基带复信号向量，将复信号向量按照实部和虚部拆分成q/i两行的矩阵，将所有调制信号样本对应的q/i矩阵堆叠为三维矩阵，三个维度分别表示样本序号、q/i及样本长度；

步骤三，构建通信信号调制方式识别数据集；

存储三维矩阵和每个样本相应的调制方式，得到通信信号调制方式识别数据集；

步骤四，将数据集划分为多个训练样本子集；

根据输入图神经网络的每个图结构包含的调制方式类别总数、每个类别包括的样本总数以及测试样本总数，对数据集进行划分，获得多个训练样本子集；

步骤五，特征嵌入网络提取训练样本子集中每个样本的特征嵌入向量；

步骤六，训练特征嵌入网络和图神经网络；将训练样本子集的特征嵌入矩阵输入图神经网络，经过多层图神经网络的处理，最终得到测试样本的预测结果，根据预测结果来训练特征嵌入网络和图神经网络；

步骤七，识别未知调制信号样本的调制方式；

完成特征嵌入网络和图神经网络训练后，根据训练样本子集的组成规则，将未知的新测试样本和样本集中的训练样本组合成新样本子集，将新样本子集输入特征嵌入网络，得到新样本子集对应的特征嵌入矩阵，将其输入图神经网络，得到未知新测试样本的预测调制方式。

进一步，所述步骤四将数据集划分为多个训练样本子集具体包括：

第一步，按照下式，计算每个训练样本子集中样本的个数：

n＝m·c+t；

其中，n表示每个训练样本子集中样本的个数，·表示相乘操作，m表示调制方式类别的个数，c表示每个类别包括的训练样本数，t表示测试样本数；

第二步，按照每个训练样本子集中包含的各种训练样本和测试样本的个数将数据集划分为多个训练样本子集。

进一步，所述步骤五特征嵌入网络提取训练样本子集中每个样本的特征嵌入向量具体包括：

第一步，构建基于卷积神经网络的特征嵌入网络，特征嵌入网络由1个输入层、4个卷积层、3个池化层、1个全连接层和1个输出层组成，输出层后添加softmax分类激活函数，池化层后添加relu激活函数；

第二步，将每个训练样本子集中的样本逐个输入特征嵌入网络，输出样本的特征嵌入向量，将每个训练样本子集对应的特征嵌入向量堆叠在一起得到每个训练样本子集的特征嵌入矩阵。

进一步，所述步骤六训练特征嵌入网络和图神经网络具体包括：

第一步，构建图神经网络，图神经网络由邻接矩阵计算模块和图卷积模块两部分组成，邻接矩阵计算模块包括1个输入层、4个卷积层和1个输出层，在卷积层后添加批标准化处理，输出层后添加softmax分类激活函数，卷积层后添加relu激活函数，图卷积模块内为图卷积操作算子，损失函数选择交叉熵损失函数，优化器选择adam梯度下降优化器；

第二步，将训练样本子集的特征嵌入矩阵依次输入图神经网络，首先邻接矩阵计算模块将调制信号的特征嵌入矩阵转变为图结构，然后图卷积模块的图卷积算子对图结构做图卷积运算，得到新的调制信号特征嵌入矩阵，再将其输入下一层的图神经网络中，经过多层图神经网络的处理，得到图结构中测试样本的特征向量，最终利用softmax激活函数将特征向量映射为预测标签；

第三步，根据测试样本的预测标签与真实标签计算交叉熵损失函数值，对特征嵌入网络和图神经网络进行训练。

本发明的另一目的在于提供一种应用所述基于图神经网络的通信信号调制方式的识别方法的无线通信系统。

综上所述，本发明的优点及积极效果为：本发明在保证通信信号调制方式识别准确率的基础上，没有引入额外的数据预处理操作，而是直接对原始的接收端调制信号进行处理，通过特征嵌入网络自动提取调制信号特征，避免了人为主观提取信号特征的不利影响，克服了现有技术需要额外的数据预处理手段的问题，使得本发明提高了识别效率、减小了系统复杂度。

本发明针对现有技术在低信噪比情况下调制方式识别准确率低的问题，将各种调制类型的通信信号样本同时输入图神经网络，利用图神经网络的图卷积操作将图结构中所有训练样本的信息都传入测试样本内，通过对比各种信噪比下样本的特征得到最终的预测结果，使本发明提高了低信噪比情况下通信信号调制方式识别的准确率。

本发明可用于认知无线电、军事电子对抗等非合作通信中，提升通信信号调制方式识别的效率和准确率。

附图说明

图1是本发明实施例提供的基于图神经网络的通信信号调制方式的识别方法流程图。

图2是本发明实施例提供的基于图神经网络的通信信号调制方式的识别方法实现流程图。

图3是本发明实施例提供的图神经网络的计算过程示意图。

图4是本发明实施例提供的本发明和现有方法的调制方式识别准确率对比仿真图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对上述已有技术的不足，提出一种基于图神经网络的通信信号调制方式识别方法，通过本发明的方法可以降低计算复杂度，避免额外的数据预处理，提高低信噪比下的调制方式识别准确率。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于图神经网络的通信信号调制方式的识别方法包括以下步骤：

s101：在发射端发射多种调制方式的调制信号，接收端接收并存储调制信号和对应的调制方式，得到通信信号调制方式识别数据集；

s102：将数据集按照图神经网络接口的数量进行划分，得到多个训练样本子集，将训练样本子集逐个输入特征嵌入网络，输出调制信号的特征嵌入向量，再将特征嵌入向量集输入图神经网络，输出测试样本的特征向量；

s103：最终将测试样本的特征向量映射为分类结果，根据分类结果对特征嵌入网络和图神经网络进行训练，完成训练后可以用来识别未知调制信号的调制方式。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的基于图神经网络的通信信号调制方式的识别方法包括以下步骤：

步骤一，发射端发送多种调制方式的调制信号。

发射端根据不同调制方式的星座图将发送信息映射为不同类别的调制信号，将调制信号经过多种信噪比的信道发送出去。

步骤二，接收端处理并存储调制信号。

接收端收到调制信号后对其做下变频操作，得到基带复信号向量，将复信号向量按照实部和虚部拆分成q/i两行的矩阵，将所有调制信号样本对应的q/i矩阵堆叠为三维矩阵，三个维度分别表示样本序号、q/i及样本长度。

步骤三，构建通信信号调制方式识别数据集。

存储三维矩阵和每个样本相应的调制方式，得到通信信号调制方式识别数据集。

步骤四，将数据集划分为多个训练样本子集。

根据输入图神经网络的每个图结构包含的调制方式类别总数、每个类别包括的样本总数以及测试样本总数，对数据集进行划分，获得多个训练样本子集。

第一步，按照下式，计算每个训练样本子集中样本的个数：

n＝m·c+t；

其中，n表示每个训练样本子集中样本的个数，·表示相乘操作，m表示调制方式类别的个数，c表示每个类别包括的训练样本数，t表示测试样本数。

第二步，按照每个训练样本子集中包含的各种训练样本和测试样本的个数将数据集划分为多个训练样本子集。

步骤五，特征嵌入网络提取训练样本子集中每个样本的特征嵌入向量。

第一步，构建基于卷积神经网络的特征嵌入网络，特征嵌入网络由1个输入层、4个卷积层、3个池化层、1个全连接层和1个输出层组成，输出层后添加softmax分类激活函数，池化层后添加relu激活函数。

第二步，将每个训练样本子集中的样本逐个输入特征嵌入网络，输出样本的特征嵌入向量，将每个训练样本子集对应的特征嵌入向量堆叠在一起得到每个训练样本子集的特征嵌入矩阵；

步骤六，训练特征嵌入网络和图神经网络。

如图3，将训练样本子集的特征嵌入矩阵输入图神经网络，经过多层图神经网络的处理，最终得到测试样本的预测结果，根据预测结果来训练特征嵌入网络和图神经网络。

第一步，构建图神经网络，图神经网络由邻接矩阵计算模块和图卷积模块两部分组成，邻接矩阵计算模块包括1个输入层、4个卷积层和1个输出层，在卷积层后添加批标准化处理，输出层后添加softmax分类激活函数，卷积层后添加relu激活函数，图卷积模块内为图卷积操作算子，损失函数选择交叉熵损失函数，优化器选择adam梯度下降优化器。

第二步，将训练样本子集的特征嵌入矩阵依次输入图神经网络，首先邻接矩阵计算模块将调制信号的特征嵌入矩阵转变为图结构，然后图卷积模块的图卷积算子对图结构做图卷积运算，得到新的调制信号特征嵌入矩阵，再将其输入下一层的图神经网络中，经过多层图神经网络的处理，得到图结构中测试样本的特征向量，最终利用softmax激活函数将特征向量映射为预测标签。

第三步，根据测试样本的预测标签与真实标签计算交叉熵损失函数值，对特征嵌入网络和图神经网络进行训练。

步骤七，识别未知调制信号样本的调制方式。

完成特征嵌入网络和图神经网络训练后，根据训练样本子集的组成规则，将未知的新测试样本和样本集中的训练样本组合成新样本子集，将新样本子集输入特征嵌入网络，得到新样本子集对应的特征嵌入矩阵，将其输入图神经网络，得到未知新测试样本的预测调制方式。

下面结合仿真实验对本发明的应用效果做详细的描述。

1.仿真条件：

本发明的仿真实验是在matlab7.11和pytorch1.0软件下进行的。在本发明的仿真实验中，发射端分别采用二进制振幅键控、四进制振幅键控、二进制频移键控、四进制频移键控、二进制相移键控、四进制相移键控、十六进制正交振幅调制和六十四进制正交振幅调制共8种数字调制方式对信源信号进行调制，传输信道为瑞利平坦衰落信道，仿真信噪比范围为-14至10db，每种信噪比下每种调制方式的调制信号样本数量为1000，调制信号长度为256，每个图结构中包含的调制方式类别数为8，每个类别包括的样本数为5，测试样本数为1，特征嵌入向量的长度为64，图神经网络深度为2。

2.仿真内容及仿真结果分析：

本发明的仿真实验是使用本发明和两个现有技术来识别通信信号的调制方式(现有技术1是基于卷积神经网络的通信信号调制方式识别算法，现有技术2是基于k近邻算法的通信信号调制方式识别算法)。对不同信噪比下识别通信信号调制方式的准确率进行仿真。

仿真实验的结果如图4所示，图4中横轴表示接收信号的信噪比，纵轴表示调制方式识别的准确率。图4中以圆圈标示的实线表示由本发明获得的识别准确率曲线，以加号标示的虚线表示由现有技术1获得的识别准确率曲线，以方块标示的电线表示由现有技术2获得的识别准确率曲线。

从图4中可以看出，在所有信噪比情况下，本发明方法的识别准确率明显高于现有方法2的识别准确率，在信噪比小于-2db的情况下，本发明的识别准确率高于现有方法1的识别准确率，说明本发明在降低模型复杂度的同时，提高了信号的调制方式识别准确率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。