具体实施方式

对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种无线电信号的频域识别方法，所述频域识别方法包括以下步骤；

第一步，采集已知无线电信号频谱数据；

第二步，对已知无线电信号的频谱特征进行学习，构建基于无线电频谱形状的特征模板库，不同的无线电信号有其独有的无线电频谱形状特征模板；

第三步，接收未知无线电信号的频谱数据，使之与第二步构建的无线电信号频谱形状特征模板库进行对比，找到与之匹配的无线电信号频谱形状特征模板；

第四步，将匹配结果输出。

进一步的，在上述技术方案中，所述第一步中，采集的已知无线电信号包括基于多尺度二维卷积网络的无线电信号，将经过编码与调制的模拟信号进行魏格纳-威利时频变换，构造魏格纳-威利分布图作为网络输入，魏格纳-威利分布图丰富表征信号时域，针对魏格纳-威利分布图中存在多尺度结构，设计具有多尺度核与多通道的卷积子网络，分别提取魏格纳-威利分布图中细粒度的多尺度、多层次化特征，将多尺度、多层次特征进行拼接以获得调制信号的精细结构特征，包含在调制方式为EMC数据集上，解决传统方法依赖先验知识提取特征的问题，现代通信环境是一个雷达与通信信号高度交叠的电磁环境，通信环境中各类噪声信号、多源通信信号，干扰信号以及各种突发信号相互交叠，加之各类通信、广播、数据中继卫星处于开放的空间，会面临各种有意或无意干扰的影响，复杂的信号类型使得人工设计普适的特征非常困难，传统信号处理方法主要是在信号内外部特征处理上做工作，依照先验知识设定需要提取的信号特征，在信号处理过程中通过特征提取和比对实现信号类型、调制方式以及编码方式的识别，而深度学习本质就是是一种数据特征学习方法，利用神经网络的优越拟合性能减少人工特征工程的干预，以及通过构建深层结构化神经网络去学习数据的层次化特征，逐层拟合数据源空间分布，从而解决传统方法对于先验知识的强依赖问题。

进一步的，在上述技术方案中，所述第一步中，采集的已知无线电信号还包括基于序列-序列的编解码循环神经网络调制的无线电信号，由于深度多尺度卷积神经网络中二维卷积训练复杂度较高以及参数量大，结合无线电信号的时序，使用原始信号的IQ双通道数据作为输入，减少预处理过程，设计编码网络将信号进行特征映射到隐层特征向量，再设计解码网络将隐层特征向量解码进行统一表征，进而使用分类网络进行分类，在编码网络中，设计了栈式池化网络以准确提取信号序列中空间域的统计特征，门控循环单元网络以提取信号双向时序特征﹐并减少参数量，在解码和分类网络中，使用重复向量层以及时序全连接层，将编码网络提取的隐层特征向量进行时序展开，进行无线电信号调制模式的分类，解决传统方法对海量信号数据鲁棒性差的问题，无线电信号的快变性使得设计鲁棒的特征非常困难，无线电信号非平稳的信号特性，传统的信号识别方法，如频谱分析法等，需要更大的算法复杂度以及更多的特征工程去适应不同识别任务的需求，代价高昂，为了处理时变信号，常采用一些时频特征的分析工具，如短时傅里叶变换，小波变换等等，一些小波包特征、FRFT域特征和小波脊频特征等也被证明能够取得较好的识别效果，然而，现实世界的频谱环境的动态变化，实际接收到的无线电信号是受到余量载波的动态随机游走、余量载波的时钟振荡器的动态随机游走，随时间变化的旋转非恒定幅度的信道脉冲响应等各个方面的影响，导致接收到的无线电信号不仅非平稳而且特性变化快速，使得提取出具有判别性的特征较为困难，传统信号处理分析方法处理模型结构简单，主要针对小样本信号数据进行处理，对海量数据明显适应能力不足，深度网络的大量参数能对海量数据进行有效建模。

进一步的，在上述技术方案中，所述第一步中，采集的已知无线电信号还包括基于端到端的轻量级一维深度卷积网络编码调制的无线电信号，由于深度学习模型参数量大、在实际应用中部署困难且训练耗费硬件资源大，使用原始一维信号作为网络输入以减少参数量，构建轻量级深度卷积神经网络，设计多尺度卷积核和金字塔型的网络结构以提取深度层级特征，使用一维卷积操作提取信号本质特征使得模型更为轻量化，基于所设计的多尺度卷积核与金字塔式网络结构的无线电信号可以提取信号调制与编码的层次，解决传统方法流程僵化，不便于实际应用部署的问题，传统方法中信号处理分析流程通常是固定的，从原始信号接收采集开始，完成原始信号的下变频、信号检测、参数提取、调制识别、编码识别、解调解码解译，每一类信号的处理流程大致类似，僵化的处理流程导致传统方法难以适应未来复杂多变的信号类型和愈加复杂的电磁环境，深度学习技术可突破处理流程限制，从业务驱动转变为数据驱动，根据输入数据特征，采用端到端的方式自适应优化处理模型﹐从而实现对多种类信号的自动化、智能化处理，便于实际应用中的部署。

进一步的，在上述技术方案中，所述第二步中，无线电频谱形状特征模板为主产品身份标识、附属产品身份标识、附属产品组身份标识、主产品操作动作，创建无线电频谱形状特征模板前，需要学习无线电信号的频谱形状，卷积神经网络是一种用来处理类似网格结构数据的神经网络，CNN使用了卷积这一种线性运算以替代一般的矩阵乘法运算，它利用比输入图像小得多的卷积核来降低存储成本并提高计算效率，并且对一组神经连接使用相同的参数来减少参数的数量，此外，CNN具有稀疏交互，权值共享和等价表示等特性，有利于CNN进行高效的特征提取，卷积网络的基本架构由图中输入层、卷积层、池化层、全连接层和输出层组成。

进一步的，在上述技术方案中，所述第三步中，在对未知无线电信号进行识别之前，先要提取未知无线电信号的频谱形状，再与创建好的无线电频谱形状特征模板进行对比匹配，立足上一章工作的基础，为基于序列-序列编解码循环神经网络应用于无线电信号调制识别，采用编码-解码网络结构，在解码网络部分设计了池化网络层以提取信号表征的局部空间统计特征并进行降维，使用双向门控循环单元网络与池化网络层将提取到的特征映射到隐层的特征向量，编码网络中，使用栈式门控循环单元网络将特征向量解码并输入至时序全连接层，将学习到的信号序列特征向量进行时序空间映射，解码出能表征不同调制信号类间差的特征向量，最后使用分类器输出。

实施例

首先，采集已知无线电信号的频谱数据，学习已知无线电信号的频谱形状特征，构建其无线电信号频谱特征模板，加入模板库，在构建无线电信号频谱特征模板时，可以依据无线电信号不同电磁背景下的信噪比创建多个与之对应的无线电信号频谱特征模板，这样可以保证复杂电磁环境下该无线电信号的发现能力，完成构建无线电信号频谱特征模板后，就可以按照下列步骤搜索未知无线电信号：

1、接收未知无线电信号的频谱数据，提取未知无线电信号的频谱形状特征；

2、遍历无线电信号频谱特征模板库，逐一比对每个无线电信号频谱特征模板，找到最匹配的一个；

3、输出匹配结果。

最后应说明的几点是：首先，在本申请的描述中，需要说明的是，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变，则相对位置关系可能发生改变；

其次：涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。