CN115514597B 一种基于注意力机制与残差结构的联合调制识别方法 （郑州大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115514597B(45)授权公告日2025.07.08

(21)申请号202211125460.8

(22)申请日2022.09.15

(65)同一申请的已公布的文献号申请公布号CN115514597A

(43)申请公布日2022.12.23

(73)专利权人郑州大学

地址450000河南省郑州市高新区科学大

道100号

(72)发明人王忠勇郑向阳巩克现孙鹏陈家伟杨晨旭刘佳琪

GO6F18/24(2023.01)

GO6F18/25(2023.01)

GO6F18/214(2023.01)GO6N3/0464(2023.01)

(56)对比文件

CN114564982A,2022.05.31CN113657491A,2021.11.16审查员兰慧敏

(74)专利代理机构河南大象律师事务所41129专利代理师尹周

(51)Int.CI.

H04L25/03(2006.01)

GO6N3/08(2023.01)权利要求书4页说明书16页附图5页

(54)发明名称

一种基于注意力机制与残差结构的联合调制识别方法

(57)摘要

CN115514597B本发明涉及无线通信技术领域，尤其涉及一种基于注意力机制与残差结构的联合调制识别方法，针对现有技术中存在低信噪比条件下识别准确率过低、复杂度太高、相同条件下乘加次数多、网络可训练参数数量庞大等问题，现提出如下方案，包括以下步骤：步骤A:对于接收的待识别信号类型，利用特征值分解估计出信号子空间维度从而估计出接收信号的信噪比；本发明的目的是通过DeepSig开源数据集RadioML2018.01A的大量数据实验，验证了联合结构的识别有效性，低信噪比区间的识别准确率得到显著提高，高信噪比区间的识别率得到提升，通过网络可训练参数数量以及推理时间的仿真，验证得到

CN115514597B

步骤A、对于接收的待识别信号类型，进行信噪比盲估计检测，利用特征值分解估计出信号子空间的维度从而估计出接收信号的信噪比

步骤B、在高信噪比区间，设计一种叠加优化的卷积神经网络BoTAMCNet,

利用ResNet18的基础结构，利用深度可分离卷积代替标准卷积，利用多头自

注意力模块代替残差块中两个残差单元原有的卷积，以此来叠加残差结构用

于特征提取，再利用全局深度卷积运算进行特征重构，提升特征维度

步骤C、在低信噪比区间，设计一种Transformer架构，在TransformerBlock的

基础上添加不同全连接层与激活函数进行优化，利用多头自注意力机制进行

识别，由注意力层判断输入序列中不同区域的重要性

步骤D、将步骤A中通过信噪比盲估计的接收信号进行二值化分类，分为高信

噪比(OdB至20dB)信号及低信噪比信号(-20dB至0dB)两部分，高信噪比信号输

入BoTAMCNet进行识别，低信噪比信号输入Transformer进行识别

CN115514597B权利要求书1/4页

2

1.一种基于注意力机制与残差结构的联合调制识别方法，其特征在于，包括如下步骤：

步骤A:对于接收的待识别信号类型，进行信噪比盲估计检测，利用特征值分解估计出信号子空间维度从而估计出接收信号的信噪比；

步骤B:在高信噪比区间，设计一种叠加优化的卷积神经网络BoTAMCNet,利用ResNet18的基础结构，利用深度可分离卷积代替标准卷积，利用多头自注意力模块代替残差块中两个残差单元原有的卷积，以此来叠加残差结构用于特征提取，再利用全局深度卷积运算进行特征重构，提升特征维度；

步骤C:在低信噪比区间，设计一种Transformer架构，在TransformerBlock的基础上添加不同全连接层与激活函数进行优化，利用多头自注意力机制进行识别，由注意力层判断输入序列中不同区域的重要性；

步骤D:将步骤A中通过信噪比盲估计的接收信号进行二值化分类，分为高信噪比信号及低信噪比信号两部分，高信噪比信号输入BoTAMCNet进行识别，低信噪比信号输入Transformer进行识别。

2.根据权利要求1