阅读说明：本技术 一种基于循环残差网络的信号调制识别方法及装置 (Signal modulation identification method and device based on cyclic residual error network ) 是由 冯志勇 黄赛 戴蕊 宁帆 张奇勋 张轶凡 尉志青 于 2019-10-24 设计创作，主要内容包括：本发明实施例提供了一种基于循环残差网络的信号调制识别方法及装置,所述方法包括：获取待识别信号的信号矩阵,提取所述信号矩阵的实部信息和虚部信息；根据所提取的实部信息和虚部信息,生成所述待识别信号的实部虚部特征矩阵；根据预设的矩阵转换方法,将所述实部虚部特征矩阵转换为幅度相位特征矩阵；将所述幅度相位特征矩阵输入预先训练好的循环残差网络中,得到与所述待识别信号对应的调制方式。本发明实施例,对待识别信号的处理过程简单、易操作,并不需要复杂的算法也不需要人工处理,识别灵活性较高,且能够准确的得到待识别信号调制方式的识别结果。(The embodiment of the invention provides a signal modulation identification method and a signal modulation identification device based on a cyclic residual error network, wherein the method comprises the following steps: acquiring a signal matrix of a signal to be identified, and extracting real part information and imaginary part information of the signal matrix; generating a real part and imaginary part characteristic matrix of the signal to be identified according to the extracted real part information and imaginary part information; converting the real part and imaginary part characteristic matrix into an amplitude phase characteristic matrix according to a preset matrix conversion method; and inputting the amplitude phase characteristic matrix into a pre-trained cyclic residual error network to obtain a modulation mode corresponding to the signal to be identified. According to the embodiment of the invention, the processing process of the signal to be identified is simple and easy to operate, complex algorithm and manual processing are not required, the identification flexibility is higher, and the identification result of the modulation mode of the signal to be identified can be accurately obtained.)

一种基于循环残差网络的信号调制识别方法及装置

技术领域

本发明涉及无线通信技术领域，特别是涉及一种基于循环残差网络的信号调制识别方法及装置。

背景技术

近年来，随着物联网的高速发展，物联网将网络连接到真实世界中存在的事物，使其引起了广泛关注。然而，物联网发展的同时加剧了频谱资源短缺的问题，并导致了频谱分配的困难。为了缓解频谱资源短缺及频谱分配困难问题，认知无线电被用来进行动态频谱检测。简单的频谱感知方法旨在保证认知无线电技术的频谱正确使用，而调制方式识别技术被用来识别信号在噪声和干扰下的调制方式。

现有对信号调制方式进行识别的方法为：首先，对样本库中信号进行时频分析，将信号的时频谱图转换成灰度图像，然后，利用灰度图像对深度残差网络模型进行训练，再通过训练后的深度残差网络模型对传输过程中的特定信号进行检测识别，该特定信号即为模型训练过程中进行针对性训练的信号。

然而，发明人发现上述对信号调制方式进行识别的方法中，对样本库中信号进行时频分析，将信号的时频谱图转换成灰度图像的实现过程是：通过短时傅里叶变换作为时频分析手段，利用中心对称的滑动窗截取观测信号，对滑动窗内信号进行傅里叶变换，将信号的时频谱图转换成灰度图像，该过程的实现较为复杂，且需要人工对信号进行处理。另外，实际应用中输入信号的长度是不固定的，而上述对信号调制方式进行识别的方法中，训练及使用的深度残差网络模型，受该深度残差网络模型特性的影响，只能处理固定输入长度的信号，使得识别方法的灵活性较差。

发明内容

本发明实施例的目的在于提供一种基于循环残差网络的信号调制识别方法及装置，用以解决现有技术中对输入信号处理过程复杂，识别灵活性差的问题。具体技术方案如下：

第一方面，本发明实施例提供了一种基于循环残差网络的信号调制识别方法，所述方法包括：

获取待识别信号的信号矩阵，提取所述信号矩阵的实部信息和虚部信息；所述待识别信号为待进行调制识别的信号；

根据所提取的实部信息和虚部信息，生成所述待识别信号的实部虚部特征矩阵；

根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵；所述幅度相位特征矩阵中携带有所述待识别信号的幅度特征和相位特征，且所述幅度相位特征矩阵所携带的特征信息量随所述待识别信号所携带的信息量变化而变化；

将所述幅度相位特征矩阵输入预先训练好的循环残差网络中，得到与所述待识别信号对应的调制方式；所述循环残差网络，是根据所述待识别信号的预设数量个样本特征数据、所述样本特征数据对应的类别标签、各样本特征数据对应的标准样本特征数据、以及所述标准样本特征数据对应的类别标签训练得到的；所述样本特征数据对应样本幅度相位特征矩阵，所述标准样本特征数据对应标准样本幅度相位特征矩阵；所述循环残差网络包括：多个门循环单元GRU，所述GRU用于对所述幅度相位特征矩阵进行处理。

可选地，所述获取待识别信号的信号矩阵之前，所述方法还包括：

接收待识别的多个无线信号；所述多个无线信号为：在连续的时间段内的多个时间点接收的无线信号；

将所述多个无线信号组合成信号矩阵。

可选地，所述根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵的步骤，包括：

使用如下表达式，将所述实部虚部特征矩阵转换为幅度相位特征矩阵：

其中，A表示所述待识别信号的幅度，P表示所述待识别信号的相位，I表示所述待识别信号的实部，Q表示所述待识别信号的虚部。

可选地，所述循环残差网络的训练过程，包括：

构建初始循环残差网络；其中，所述初始循环残差网络包括：特征提取模块、特征融合模块、特征分类模块；所述特征提取模块包括：第一卷积层、第一残差堆、第二残差堆，所述残差堆包括：多个残差子模块，所述残差子模块包括：第二卷积层、第一批量归一化BN层和第三卷积层；所述特征融合模块，用于对所述特征提取模块输出的特征数据进行维度转换；所述特征分类模块包括：多个GRU、第一全连接FC层和分类器，所述GRU包括多个隐含层和第二BN层；

将所述样本特征数据，以及所述样本特征数据对应的类别标签，输入所述初始循环残差网络；

利用所述初始循环残差网络，得到各所述样本特征数据对应的分类结果；

基于所述分类结果与所述标准样本特征数据对应的类别标签的差异，计算损失函数；

对损失函数进行最小化处理，得到最小化损失函数；

根据最小化损失函数，确定初始循环残差网络中各模块的权重参数；

基于所述权重参数对所述初始循环残差网络中的参数进行更新，训练得到所述循环残差网络。

可选地，所述调制方式包括：二进制相移键控BPSK，四进制相移键控QPSK，八进制相移键控8PSK，十六进制正交幅度调制16QAM，六十四进制正交幅度调制。

可选地，所述损失函数的表达式为：

其中，M表示所述样本特征数据的个数，K表示调制方式的个数，θ表示所述初始循环残差网络中所有的参数，

表示第m个样本特征数据的类别标签为第k种调制方式，X^{AP (m)}表示第m个样本特征数据，

表示第m个样本特征数据经过所述特征提取模块后得到的特征数据，l(θ)表示参数θ的似然函数，H_k表示第k种调制方式。

第二方面，本发明实施例提供了一种基于循环残差网络的信号调制识别装置，所述装置包括：

提取模块，用于获取待识别信号的信号矩阵，提取所述信号矩阵的实部信息和虚部信息；所述待识别信号为待进行调制识别的信号；

生成模块，用于根据所提取的实部信息和虚部信息，生成所述待识别信号的实部虚部特征矩阵；

转换模块，用于根据预设的矩阵转换方法，将所述实部虚部特征矩阵转换为幅度相位特征矩阵；所述幅度相位特征矩阵中携带有所述待识别信号的幅度特征和相位特征，且所述幅度相位特征矩阵所携带的特征信息量随所述待识别信号所携带的信息量变化而变化；

识别模块，用于将所述幅度相位特征矩阵输入预先训练好的循环残差网络中，得到与所述待识别信号对应的调制方式；所述循环残差网络，是根据所述待识别信号的预设数量个样本特征数据、所述样本特征数据对应的类别标签、各样本特征数据对应的标准样本特征数据、以及所述标准样本特征数据对应的类别标签训练得到的；所述样本特征数据对应样本幅度相位特征矩阵，所述标准样本特征数据对应标准样本幅度相位特征矩阵；所述循环残差网络包括：多个门循环单元GRU，所述GRU用于对所述幅度相位特征矩阵进行处理。

可选地，所述装置还包括：

接收模块，用于接收待识别的多个无线信号；所述多个无线信号为：在连续的时间段内的多个时间点接收的无线信号；

组合模块，用于将所述多个无线信号组合成信号矩阵。

可选地，所述转换模块，具体用于：

使用如下表达式，将所述实部虚部特征矩阵转换为幅度相位特征矩阵：

其中，A表示所述待识别信号的幅度，P表示所述待识别信号的相位，I表示所述待识别信号的实部，Q表示所述待识别信号的虚部。

可选地，所述装置还包括：

构建模块，用于构建初始循环残差网络；其中，所述初始循环残差网络包括：特征提取模块、特征融合模块、特征分类模块；所述特征提取模块包括：第一卷积层、第一残差堆、第二残差堆，所述残差堆包括：多个残差子模块，所述残差子模块包括：第二卷积层、第一批量归一化BN层和第三卷积层；所述特征融合模块，用于对所述特征提取模块输出的特征数据进行维度转换；所述特征分类模块包括：多个GRU、第一全连接FC层和分类器，所述GRU包括多个隐含层和第二BN层；

第一训练模块，用于将所述样本特征数据，以及所述样本特征数据对应的类别标签，输入所述初始循环残差网络；

第一获得模块，用于利用所述初始循环残差网络，得到各所述样本特征数据对应的分类结果；

计算模块，用于基于所述分类结果与所述标准样本特征数据对应的类别标签的差异，计算损失函数；

第二获得模块，用于对损失函数进行最小化处理，得到最小化损失函数；

确定模块，用于根据最小化损失函数，确定初始循环残差网络中各模块的权重参数；

第二训练模块，用于基于所述权重参数对所述初始循环残差网络中的参数进行更新，训练得到所述循环残差网络。

可选地，所述调制方式包括：二进制相移键控BPSK，四进制相移键控QPSK，八进制相移键控8PSK，十六进制正交幅度调制16QAM，六十四进制正交幅度调制。

可选地，所述损失函数的表达式为：

其中，M表示所述样本特征数据的个数，K表示调制方式的个数，θ表示所述初始循环残差网络中所有的参数，

表示第m个样本特征数据的类别标签为第k种调制方式，X^{AP (m)}表示第m个样本特征数据，

表示第m个样本特征数据经过所述特征提取模块后得到的特征数据，l(θ)表示参数θ的似然函数，H_k表示第k种调制方式。

第三方面，本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的一种基于循环残差网络的信号调制识别方法的方法步骤。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的一种基于循环残差网络的信号调制识别方法的方法步骤。

本发明实施例有益效果：

本发明实施例提供的一种基于循环残差网络的信号调制识别方法及装置，获取待识别信号的信号矩阵，并提取信号矩阵的实部信息和虚部信息，生成待识别信号的实部虚部特征矩阵，根据预设的矩阵转换方法，将实部虚部特征矩阵转换为幅度相位特征矩阵，进而将幅度相位特征矩阵作为预先训练好的循环残差网络的输入，对待识别信号的调制方式进行识别。其中，对待识别信号的信号矩阵进行处理，得到该待识别信号的幅度相位特征矩阵实现过程简单、易操作，并不需要复杂的算法也不需要人工处理；并且，预先训练好的循环残差网络中包含的GRU，可以对携带的特征信息量随待识别信号所携带的信息量变化而变化的幅度相位特征矩阵进行处理，使得该循环残差网络可以对任意长度的待识别信号对应的调制方式进行识别，识别灵活性较高；另外，使用预先训练好的循环残差网络，对待识别信号进行特征提取、分类，能够准确的得到待识别信号调制方式的识别结果。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于循环残差网络的信号调制识别方法的流程示意图；

图2为本发明实施例提供的另一种基于循环残差网络的信号调制识别方法的流程示意图；

图3为本发明实施例提供的一种网络训练实施方式流程图；

图4为本发明实施例提供的一种循环残差网络结构示意图；

图5为本发明实施例提供的一种残差子模块结构示意图；

图6为本发明实施例提供的一种不同信号长度下识别仿真结果示意图；

图7为本发明实施例提供的一种不同网络模型下仿真结果示意图；

图8为本发明实施例提供的一种基于循环残差网络的信号调制识别装置的结构示意图；

图9为本发明实施例提供的另一种基于循环残差网络的信号调制识别装置的结构示意图；

图10为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，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。

为了解决现有对信号调制方式进行识别的方法中，对接收信号进行分析处理的实现过程复杂，且识别方法的灵活性较差的问题，本发明实施例提供了一种基于循环残差网络的信号调制识别方法及装置。

下面首先对本发明实施例所提供的一种基于循环残差网络的信号调制识别方法进行介绍。

如图1所示，图1为本发明实施例提供的一种基于循环残差网络的信号调制识别方法的流程示意图，该方法可以包括：

S101，获取待识别信号的信号矩阵，提取信号矩阵的实部信息和虚部信息。

本发明实施例中，可以接收基站或任何能够发送信号的信号发送设备所发射的待识别信号，并对接收的待识别信号进行调制方式的识别。该待识别信号为待进行调制识别的信号。示例性的，该待识别信号可以包括但不限于无线数字信号、无线模拟信号等。

在接收到待识别信号后，获取该待识别信号的信号矩阵，该待识别信号可以是复信号的形式，然后，提取该信号矩阵中每一待识别信号的实部信息和虚部信息。

S102，根据所提取的实部信息和虚部信息，生成待识别信号的实部虚部特征矩阵。

示例性的，所获取的信号矩阵中每一信号可以使用如下复信号的形式进行表示：

f＝a+bi

其中，f表示一个信号，a表示信号的实部，b表示信号的虚部，i表示虚数单位。

示例性的，可以提取所获取的信号矩阵中每一信号的实部a和虚部b，将实部作为一行，虚部作为一行，进而生成待识别信号的实部虚部特征矩阵。其中，所生成的待识别信号的实部虚部特征矩阵的行数为，所获取的信号矩阵行数的2倍。

S103，根据预设的矩阵转换方法，将实部虚部特征矩阵转换为幅度相位特征矩阵。

其中，幅度相位特征矩阵中携带有待识别信号的幅度特征和相位特征，且幅度相位特征矩阵所携带的特征信息量随待识别信号所携带的信息量变化而变化。幅度特征描述了待识别信号偏离平衡位置的最大值，相位特征描述了待识别信号波形变化的度量。

本发明实施例中，将待识别信号的实部虚部特征矩阵中每一信号的实部信息与虚部信息，转换为包含该信号的幅度特征信息和相位特征信息的幅度相位特征矩阵。该幅度相位特征矩阵与实部虚部特征矩阵的大小相同，行数为接收的待识别信号所要识别的调制方式的2倍，列数为接收的每一调制方式下待识别信号的个数。

作为本发明实施例一种实施方式，可以使用如下表达式，将实部虚部特征矩阵转换为幅度相位特征矩阵：

其中，A表示待识别信号的幅度，P表示待识别信号的相位，I表示待识别信号的实部，Q表示待识别信号的虚部。

S104，将幅度相位特征矩阵输入预先训练好的循环残差网络中，得到与待识别信号对应的调制方式。

本发明实施例中，将得到的待识别信号的幅度相位特征矩阵输入预先训练好的循环残差网络中，该循环残差网络，是根据待识别信号的预设数量个样本特征数据、样本特征数据对应的类别标签、各样本特征数据对应的标准样本特征数据、以及标准样本特征数据对应的类别标签训练得到的，进而得到与待识别信号对应的调制方式。

其中，样本特征数据对应样本幅度相位特征矩阵，标准样本特征数据对应标准样本幅度相位特征矩阵。该循环残差网络中可以包括：多个GRU(Gated recurrent unit，门循环单元)，GRU用于对幅度相位特征矩阵进行处理，可以进一步提取幅度相位特征矩阵的特征信息。具体的，循环残差网络的训练过程在下文详细介绍。

本发明实施例中，待识别信号对应的调制方式可以包括但不限于：BPSK(BinaryPhase Shift Keying，二进制相移键控)，QPSK(Quadrature Phase Shift Keying，四进制相移键控)，8PSK(Octal phase shift keying，八进制相移键控)，16QAM(HexadecimalQuadrature Amplitude Modulation，十六进制正交幅度调制)，六十四进制正交幅度调制等。

本发明实施例提供的一种基于循环残差网络的信号调制识别方法，获取待识别信号的信号矩阵，并提取信号矩阵的实部信息和虚部信息，生成待识别信号的实部虚部特征矩阵，根据预设的矩阵转换方法，将实部虚部特征矩阵转换为幅度相位特征矩阵，进而将幅度相位特征矩阵作为预先训练好的循环残差网络的输入，对待识别信号的调制方式进行识别。其中，对待识别信号的信号矩阵进行处理，得到该待识别信号的幅度相位特征矩阵实现过程简单、易操作，并不需要复杂的算法也不需要人工处理；并且，预先训练好的循环残差网络中包含的GRU，可以对携带的特征信息量随待识别信号所携带的信息量变化而变化的幅度相位特征矩阵进行处理，使得该循环残差网络可以对任意长度的待识别信号对应的调制方式进行识别，识别灵活性较高；另外，使用预先训练好的循环残差网络，对待识别信号进行特征提取、分类，能够准确的得到待识别信号调制方式的识别结果。

在图1所示实施例的基础上，如图2所示，本发明实施例中一种基于循环残差网络的信号调制识别方法还可以包括：

S201，接收待识别的多个无线信号。

本发明实施例中，可以接收待识别的多个无线信号，该多个无线信号可以为：在连续的时间段内的多个时间点接收的无线信号。示例性的，可以在30秒或2分钟等连续的时间段内的多个时间点接收同一调制方式或不同调制方式下的无线信号。

作为本发明实施例一种可选的实施方式，可以接收同一调制方式下的任意数量个信号，以对该调制方式下信号的调制方式进行识别。具体的，接收待识别的多个无线信号可以包括：接收某一连续的时间段内的同一调制方式下的多个信号，对应的，上述步骤S103的实施方式可以为：提取该信号矩阵中每一信号的实部信息和虚部信息，再根据提取的信号矩阵中每一信号的实部信息和虚部信息，生成待识别信号的实部虚部特征矩阵，该实部虚部特征矩阵中一行为实部信息，一行为虚部信息，每一列表示一个信号。示例性的，当接收同一调制方式下的N个信号时，生成的待识别信号的实部虚部特征矩阵大小为2行N列。

作为本发明实施例一种可选的实施方式，可以接收不同调制方式下的任意数量个信号，以对每一调制方式下信号的调制方式进行识别。具体的，接收待识别的多个无线信号可以包括：接收某一连续的时间段内的每一调制方式下的多个信号，对应的，上述步骤S103的实施方式可以为：提取该信号矩阵中每一信号的实部信息和虚部信息，再根据提取的信号矩阵中每一信号的实部信息和虚部信息，生成不同调制方式下的待识别信号的实部虚部特征矩阵，该实部虚部特征矩阵中一行为实部信息，一行为虚部信息，每一列表示一个信号。示例性的，当接收不同调制方式(W种调制方式)下的N个信号时，生成的不同调制方式下的待识别信号的实部虚部特征矩阵大小为2W行N列。

示例性的，W可以是1到10中任一数值，N可以是128，或256，或512，或1024等等。

S202，将多个无线信号组合成信号矩阵。

本发明实施例中，在接收同一调制方式或不同调制方式下的多个无线信号之后，将所接收的多个无线信号组合成信号矩阵。示例性的，在接收同一调制方式下的N个无线信号之后，将该N个无线信号组合成一个1×N的信号矩阵，1行表示接收的是同一调制方式，N列表示接收的无线信号的数量为N个；在接收W种不同调制方式下的N个无线信号之后，将该W种不同调制方式下的N个无线信号组合成一个W×N的信号矩阵，W行表示接收的是W种调制方式，N列表示接收的每一调制方式下无线信号的数量为N个。其中，W种调制方式可以是完成不同的，也可以是部分不同的，还可以是相同的调制方式。

上述步骤S201和S202可以位于图1所示实施例中的步骤S101之前，其中，S203-206的实现过程与S101-S104的实现过程相同，可参见上文描述，本发明实施例在此不再赘述。

本发明实施例提供的一种基于循环残差网络的信号调制识别方法，接收待识别的多个无线信号，将多个无线信号组合成信号矩阵，再获取待识别信号的信号矩阵，并提取信号矩阵的实部信息和虚部信息，生成待识别信号的实部虚部特征矩阵，根据预设的矩阵转换方法，将实部虚部特征矩阵转换为幅度相位特征矩阵，进而将幅度相位特征矩阵作为预先训练好的循环残差网络的输入，对待识别信号的调制方式进行识别。其中，对待识别信号的信号矩阵进行处理，得到该待识别信号的幅度相位特征矩阵实现过程简单、易操作，并不需要复杂的算法也不需要人工处理；并且，预先训练好的循环残差网络中包含的GRU，可以对携带的特征信息量随待识别信号所携带的信息量变化而变化的幅度相位特征矩阵进行处理，使得该循环残差网络可以对任意长度的待识别信号对应的调制方式进行识别，识别灵活性较高；另外，使用预先训练好的循环残差网络，对待识别信号进行特征提取、分类，能够准确的得到待识别信号调制方式的识别结果。

作为本发明实施例一种可选的实施方式，如图3所示，循环残差网络的训练过程，可以包括：

S301，构建初始循环残差网络。

作为本发明实施例一种可选的实施方式，所构建的初始循环残差网络模型如图4所示，可以包括：特征提取模块、特征融合模块、特征分类模块；特征提取模块包括：第一卷积层、第一残差堆、第二残差堆，残差堆包括：多个残差子模块，残差子模块包括：第二卷积层、第一BN(Batch Normalization，批量归一化)层和第三卷积层；特征融合模块，用于对特征提取模块输出的特征数据进行维度转换；特征分类模块包括：多个GRU、第一FC(FullyConnected，全连接)层和分类器，GRU包括多个隐含层和第二BN层。

S302，将样本特征数据，以及样本特征数据对应的类别标签，输入初始循环残差网络。

本发明实施例中，训练循环残差网络所采用的样本，可以是待识别信号的预设数量个样本特征数据，以及样本特征数据对应的类别标签。其中，待识别信号的预设数量个样本特征数据，可以是接收不同调制方式下待识别信号的预设数量个信号，然后，获取不同调制方式下待识别信号对应的信号矩阵，进一步提取该信号矩阵中每一信号的实部信息和虚部信息，进而生成该待识别信号的实部虚部特征矩阵，并将生成的实部虚部特征矩阵转换为幅度相位特征矩阵，将该幅度相位特征矩阵作为样本特征数据，即该样本特征数据对应样本幅度相位特征矩阵。示例性的，可以将每一调制方式下的预设数量个信号作为一个样本，即在样本特征数据对应的样本幅度相位特征矩阵中，每一行表示一个样本，代表一种调制方式下的预设数据个信号，该预设数量可以是128，或256，或512，或1024等等，具体的，本领域技术人员可根据实际需求进行设置。该样本特征数据对应的类别标签可以是不同的调制方式，具体的，可以使用数字或字符等来表示不同的调制方式。

示例性的，样本特征数据，以及样本特征数据对应的类别标签所构成的训练集可以表示为：

其中，表示样本特征数据集，y表示样本特征数据对应的类别标签集，(x^AP(m),y^(m))表示第m个已打标签的样本数据集，x^AP(m)表示第m个样本特征数据，该样本特征数据可以对应样本幅度相位特征矩阵，M表示样本特征数据的数量，

表示样本特征数据x^AP(m)对应的类别标签，K表示调制方式的类别数，当第m个样本特征数据x^AP(m)的类别标签

的类别为k时，

的值为1，其他各项为0。

S303，利用初始循环残差网络，得到各样本特征数据对应的分类结果。

示例性的，将待识别信号的预设数量个样本特征数据、样本特征数据对应的类别标签，输入如图4所示的初始循环残差网络中。其中，卷积层用于提取样本特征数据的特征信息，BN层通过降低梯度对参数的依赖程度，可加快整个模型的训练速度，FC层可对特征进行整合。

对于一个样本特征数据，该样本特征数据对应的样本幅度相位特征矩阵大小为2×N。首先，将该样本特征数据输入到一个卷积核大小为1×7的第一卷积层，再输入一个第一ReLU(Rectified Linear Unit，线性整流函数)层，对样本特征数据进行特征提取，得到16个2×N的特征矩阵。

其次，将得到的16个2×N的特征矩阵输入残差堆中，示例性的，该残差堆的个数n1可以为2个，具体残差堆的个数本领域技术人员可根据实际需求进行设置。残差堆可以包括多个残差子模块，示例性的，该残差子模块的个数可以为4个，具体残差子模块的个数本领域技术人员可根据实际需求进行设置。残差子模块的模型可参见图5所示。将16个2×N的特征矩阵依次输入到第一个残差堆中每一残差子模块的一个卷积核大小为1×5的第二卷积层，一个第一BN层和一个卷积核大小为1×5的第二卷积层，之后再依次输入一个第二ReLU层和第一BN层，进一步提取特征矩阵中更细致的特征，经过该残差堆，特征矩阵数量为32个2×N的特征矩阵。再将32个2×N的特征矩阵依次输入到第二个残差堆中每一残差子模块的一个卷积核大小为1×5的第二卷积层，一个第一BN层和一个卷积核大小为1×5的第二卷积层，之后再依次输入一个第二ReLU层和第一BN层，进一步提取特征矩阵中更细致的特征，经过该残差堆，特征矩阵数量为64个2×N的特征矩阵，且特征矩阵的维数为3维。

再次，将64个2×N的3维特征矩阵输入特征融合模块，对特征矩阵中的特征数据进行维度转换，得到64个2×N的2维特征矩阵。示例性的，3维特征矩阵可以表示为(x,y,z)形式，将y和z维度的特征数据进行粘合作为一个维度的特征数据，使得特征矩阵变成2维的，然后，再将x维度和粘合后的一个维度的特征数据进行交换，得到输出64个2×N的2维特征矩阵。

最后，将64个2×N的2维特征矩阵输入GRU，示例性的，该GRU的个数n2可以为2个，具体GRU的个数本领域技术人员可根据实际需求进行设置。每个GRU可以包含64个隐含层和一个第二BN层。具体的，将64个2×N的2维特征矩阵依次输入64个隐含层、一个第二BN层和一个第三ReLU层，64个隐含层、一个第二BN层和一个第三ReLU层，进行特征提取，得到1个K×1的特征矩阵，K为训练中调制方式的种类数。再将1个K×1的特征矩阵输入到第一FC层，进一步对特征进行整合，进而将该特征矩阵输入到分类器中，得到样本特征数据对应的分类结果。示例性的，该样本特征数据对应的分类结果，可以是该样本特征数据对应的类别标签，该类别标签可以是该样本特征数据所对应的信号的调制方式的种类，每一种类对应一种调制方式，该种类可以是1、2、3……K等，具体标号的形式本发明实施例在此不作限定。示例性的，分类器可以包括但不限于softmax分类器。

示例性的，初始循环残差网络输出的样本特征数据对应的分类结果可以表示为：

其中，h_θ(·)表示循环残差网络，x^AP(m)表示第m个样本特征数据，

表示第k类调制方式的特征提取值(即第m个样本特征数据对应的分类结果)，θ表示初始循环残差网络中所有的参数。

参见图3，S304，基于分类结果与标准样本特征数据对应的类别标签的差异，计算损失函数。

本发明实施例中，所采用的损失函数的表达式可以为：

其中，M表示样本特征数据的个数，K表示调制方式的个数，θ表示初始循环残差网络中所有的参数，

表示第m个样本特征数据的类别标签为第k种调制方式，X^AP(m)表示第m个样本特征数据，

表示第m个样本特征数据经过特征提取模块后得到的特征数据，l(θ)表示参数θ的似然函数，H_k表示第k种调制方式。

S305，对损失函数进行最小化处理，得到最小化损失函数。

作为本发明实施例一种可选的实施方式，可以采用似然函数的方法对损失函数进行最小化处理，示例性的，似然函数l(θ)可以表示为：

其中，

表示样本特征数据集

对应的类别标签集为y的联合分布率，x^AP(m)表示第m个样本特征数据，

表示第m个样本特征数据x^AP(m)的类别标签，

表示第k类调制方式的特征提取值，y(m)(k)表示第m个样本特征数据的类别标签为k。

S306，根据最小化损失函数，确定初始循环残差网络中各模块的权重参数。

S307，基于权重参数对初始循环残差网络中的参数进行更新，训练得到循环残差网络。

上述步骤S306～S307中，根据最小化损失函数，确定初始循环残差网络中各模块的权重参数，最后，利用权重参数对初始循环残差网络中的参数进行更新，训练得到循环残差网络。此过程的详细实现过程，可参见现有技术的实现，本发明实施例在此不再赘述。

示例性的，本发明实施例中对所训练的循环残差网络进行测试，以接收的信号为单天线系统的F个样本信号为例，对F个样本信号进行处理，得到其对应的幅度相位特征矩阵，将得到的幅度相位特征矩阵输入训练好的循环残差网络中进行分类识别，定义测试统计量用作调制分类，表示为：

其中，

表示预测的结果向量，由K个元素组成，分别表示K种调制方式，这K个元素值的大小表示这K个元素的概率，概率大则为该种调制方式，H_k表示第k种调制方式，向量表示为第k类调制方式的测试统计量，

为循环残差网络输出的结果。

可以使用如下表达式来表示识别的调制方式的结果：

示例性的，如图6所示，图6为本发明实施例提供的一种不同信号长度下识别仿真结果示意图，图中显示了本发明实施例的方法在接收不同信号长度(N分别取128、256、512和1024)下的分类识别准确率。可见，该准确率随信号长度的增加而有所提升，表明了本发明实施例的方法具有渐进性。特别地，当信噪比到达4dB且信号长度固定在128时，分类识别准确率达到了90％。

示例性的，如图7所示，图7为本发明实施例提供的一种不同网络模型下仿真结果示意图。以本发明实施例所采用的循环残差网络模型中是否有GRU，接收信号长度分别为256和512为例，由图可知，循环残差网络有GRU层时比无GRU层性能好。大体来讲，带有GRU层的循环残差网络在256样本点的情况下性能好于循环残差网络无GRU层在512点的情况。特别来讲，当样本点数固定到512时，带有GRU层的循环残差网络比没有GRU层的循环残差网络同达到95％的分类识别准确率时信噪比要领先2dB。

相应于上述方法实施例，本发明实施例提供了一种基于循环残差网络的信号调制识别装置，如图8所示，该装置可以包括：

提取模块401，用于获取待识别信号的信号矩阵，提取信号矩阵的实部信息和虚部信息；待识别信号为待进行调制识别的信号。

生成模块402，用于根据所提取的实部信息和虚部信息，生成待识别信号的实部虚部特征矩阵。

转换模块403，用于根据预设的矩阵转换方法，将实部虚部特征矩阵转换为幅度相位特征矩阵；幅度相位特征矩阵中携带有待识别信号的幅度特征和相位特征，且幅度相位特征矩阵所携带的特征信息量随待识别信号所携带的信息量变化而变化。

识别模块404，用于将幅度相位特征矩阵输入预先训练好的循环残差网络中，得到与待识别信号对应的调制方式；循环残差网络，是根据待识别信号的预设数量个样本特征数据、样本特征数据对应的类别标签、各样本特征数据对应的标准样本特征数据、以及标准样本特征数据对应的类别标签训练得到的；样本特征数据对应样本幅度相位特征矩阵，标准样本特征数据对应标准样本幅度相位特征矩阵；循环残差网络包括：多个门循环单元GRU，GRU用于对幅度相位特征矩阵进行处理。

本发明实施例提供的一种基于循环残差网络的信号调制识别装置，获取待识别信号的信号矩阵，并提取信号矩阵的实部信息和虚部信息，生成待识别信号的实部虚部特征矩阵，根据预设的矩阵转换方法，将实部虚部特征矩阵转换为幅度相位特征矩阵，进而将幅度相位特征矩阵作为预先训练好的循环残差网络的输入，对待识别信号的调制方式进行识别。其中，对待识别信号的信号矩阵进行处理，得到该待识别信号的幅度相位特征矩阵实现过程简单、易操作，并不需要复杂的算法也不需要人工处理；并且，预先训练好的循环残差网络中包含的GRU，可以对携带的特征信息量随待识别信号所携带的信息量变化而变化的幅度相位特征矩阵进行处理，使得该循环残差网络可以对任意长度的待识别信号对应的调制方式进行识别，识别灵活性较高；另外，使用预先训练好的循环残差网络，对待识别信号进行特征提取、分类，能够准确的得到待识别信号调制方式的识别结果。

需要说明的是，本发明实施例的装置是与图1所示的一种基于循环残差网络的信号调制识别方法对应的装置，图1所示的一种基于循环残差网络的信号调制识别方法的所有实施例均适用于该装置，且均能达到相同的有益效果。

可选地，在图8的基础上，如图9所示，上述装置还可以包括：

接收模块501，用于接收待识别的多个无线信号；多个无线信号为：在连续的时间段内的多个时间点接收的无线信号。

组合模块502，用于将多个无线信号组合成信号矩阵。

可选地，转换模块403，具体用于：

使用如下表达式，将实部虚部特征矩阵转换为幅度相位特征矩阵：

其中，A表示待识别信号的幅度，P表示待识别信号的相位，I表示待识别信号的实部，Q表示待识别信号的虚部。

可选地，上述装置还可以包括：

构建模块，用于构建初始循环残差网络；其中，初始循环残差网络包括：特征提取模块、特征融合模块、特征分类模块；特征提取模块包括：第一卷积层、第一残差堆、第二残差堆，残差堆包括：多个残差子模块，残差子模块包括：第二卷积层、第一批量归一化BN层和第三卷积层；特征融合模块，用于对特征提取模块输出的特征数据进行维度转换；特征分类模块包括：多个GRU、第一全连接FC层和分类器，GRU包括多个隐含层和第二BN层。

第一训练模块，用于将样本特征数据，以及样本特征数据对应的类别标签，输入初始循环残差网络。

第一获得模块，用于利用初始循环残差网络，得到各样本特征数据对应的分类结果。

计算模块，用于基于分类结果与标准样本特征数据对应的类别标签的差异，计算损失函数。

第二获得模块，用于对损失函数进行最小化处理，得到最小化损失函数。

确定模块，用于根据最小化损失函数，确定初始循环残差网络中各模块的权重参数。

第二训练模块，用于基于权重参数对初始循环残差网络中的参数进行更新，训练得到循环残差网络。

可选地，上述调制方式可以包括：二进制相移键控BPSK，四进制相移键控QPSK，八进制相移键控8PSK，十六进制正交幅度调制16QAM，六十四进制正交幅度调制。

可选地，上述损失函数的表达式可以为：

其中，M表示样本特征数据的个数，K表示调制方式的个数，θ表示初始循环残差网络中所有的参数，

表示第m个样本特征数据的类别标签为第k种调制方式，X^AP(m)表示第m个样本特征数据，

表示第m个样本特征数据经过特征提取模块后得到的特征数据，l(θ)表示参数θ的似然函数，H_k表示第k种调制方式。

本发明实施例还提供了一种电子设备，如图10所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，

存储器603，用于存放计算机程序；

处理器601，用于执行存储器603上所存放的程序时，实现本发明实施例所提供的一种基于循环残差网络的信号调制识别方法的步骤。

本发明实施例提供的一种电子设备，获取待识别信号的信号矩阵，并提取信号矩阵的实部信息和虚部信息，生成待识别信号的实部虚部特征矩阵，根据预设的矩阵转换方法，将实部虚部特征矩阵转换为幅度相位特征矩阵，进而将幅度相位特征矩阵作为预先训练好的循环残差网络的输入，对待识别信号的调制方式进行识别。其中，对待识别信号的信号矩阵进行处理，得到该待识别信号的幅度相位特征矩阵实现过程简单、易操作，并不需要复杂的算法也不需要人工处理；并且，预先训练好的循环残差网络中包含的GRU，可以对携带的特征信息量随待识别信号所携带的信息量变化而变化的幅度相位特征矩阵进行处理，使得该循环残差网络可以对任意长度的待识别信号对应的调制方式进行识别，识别灵活性较高；另外，使用预先训练好的循环残差网络，对待识别信号进行特征提取、分类，能够准确的得到待识别信号调制方式的识别结果。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一一种基于循环残差网络的信号调制识别方法的步骤，以达到相同的技术效果。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一一种基于循环残差网络的信号调制识别方法的步骤，以达到相同的技术效果。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置/电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。