本发明属于信号调制识别，尤其涉及一种基于优化卷积神经网络的ofdm信号调制识别方法。
背景技术：
1、随着无线电系统的迅猛发展，信号面临的电磁环境日益纷繁复杂，信号调制类型也纷繁复杂，因此调制识别在认知无线电、电磁信号监测中发挥重要的作用。正交频分复用(ofdm，orthogonal frequency division multiplexing)技术由于具有较高的频谱利用率和很好的抗多径衰落特性，成为新一代无线通信的研究热点，已经被广泛采用，如无人机通信系统、卫星互联网和移动通信系统等。ofdm信号为多载波信号，其调制类型通常指其各个子载波的调制类型，一般包括有二进制相移键控(bpsk)、正交相移键键控(qpsk)、8进制相移键(8psk)和16进制正交幅度调制(16qam)等。对ofdm信号调制识别具有重要意义，能够区分识别ofdm信号子载波采用的调制类型，将为后续进一步解调和分析作基础。但目前复杂信号的调制识别的有关分析在许多方面，特别是针对ofdm此类多载波调制信号仍不成熟，需要开展进一步研究。传统的调制识别方法多数是基于统计思想的，对于ofdm信号较难提取不同调制类型子载波固有信号特征，导致分类结果混淆。
2、已提出专利申请的类似方法有：1.一种正交频分复用ofdm信号分选识别方法(申请号：cn202211336727.8)。该发明提供一种正交频分复用ofdm信号分选识别方法，根据无信号情况的数字信道化处理后的数据计算检测门限，对数据的幅度进行累加处理并进行门限检测，从而实现识别ofdm体制信号，该方法无法具体针对ofdm信号的子载波调制类型进行识别，且需要大量先验的信号数据样本进行分析；2.一种复杂电磁环境下wifi信号识别方法(申请号：cn202110085629.0)。该发明仅适用于wifi通信系统的ofdm信号进行识别，采取基于wifi协议信号的训练序列特征提取的思路，进行wifi系统中ofdm信号的识别，应用范围不够广泛，不适用于其它通信系统的ofdm信号检测分析。3.多径瑞利快衰落信道下ofdm调制制式识别方法(申请号：cn200710018255.0)，该发明实际主要针对ofdm体制类型信号与单载波信号作出识别区分，其主要思路是通过对信号的4阶与2阶累积量进行组合，和对该6阶与2阶累积量进行组合得到两种特征值；设定该特征值的门限，再将该特征值与设定的门限进行比较，并未具体针对ofdm信号的子载波调制类型进行识别，且计算量相对较大。
3、ofdm信号广泛地采用于移动通信、数字广播系统、无人机通信系统等，实现ofdm信号的调制识别，对频谱监测、认知无线电等领域具有重要的意义。如何对信号进行调制类型的正确识别，已成为热点问题。但是，由于在很多实际应用场合中，接收机收到信号较弱；并且缺乏先验信息或几乎完全没有任何的先验知识条件，电磁环境也相对复杂，导致识别难度较大。传统的识别算法不易提取和表征出复杂环境中ofdm信号的细化特征，所须的处理环节较多、运算量较大，并且需要设定合理门限值进行判断，但由于强背景噪声和信道起伏变化等因素使得识别门限阈值的准确性降低，识别成功率也受到严重影响。由此需要采用精细化、智能化的ofdm信号识别方法思路，达到复杂电磁环境中高效、精确的识别效果，提升低信噪比条件下的识别准确成功率。
技术实现思路
1、本发明的目的在于：为了克服现有技术问题，公开了一种基于优化卷积神经网络的ofdm信号调制识别方法，本发明方法适用于低信噪比环境、复杂信道传输条件中的快速智能化处理，且无需事先获取前导码、同步信息等先验信息以及额外的特征提取处理环节，也不需要利用mimo-ofdm多天线阵列传输信号的分布状态信息进行大量的推导计算。
2、本发明目的通过下述技术方案来实现：
3、一种基于优化卷积神经网络的ofdm信号调制识别方法，所述ofdm信号调制识别方法包括如下步骤：
4、s1：对ofdm信号样本数据集进行预处理打标签；
5、s2：构建cnn轻量化网络模型，所述cnn轻量化网络模型包括：输入层、卷积层、池化层、全连接层和输出层，
6、其中，卷积层用于通过二维卷积运算提取输入数据的特征，然后使用池化层压缩每个特征并减少要计算的参数数量，再馈送到全连接层中进行延展/解压处理，实现输入信号数据的调制分类；
7、s3：构建transformerencoder与cnn轻量化网络融合模型，将步骤s2中构建的cnn轻量化网络模型和transformerencoder模型进行融合形成新的分类训练网络：transformerencoder与cnn轻量化网络融合模型；
8、s4：基于ofdm信号数据集对步骤s3得到的transformerencoder与cnn轻量化网络融合模型完成分类训练；
9、s5：通过transformerencoder与cnn轻量化网络融合模型识别处理ofdm信号数据集中测试集得到对ofdm信号调制类型识别的结果。
10、根据一个优选的实施方式，步骤s1包括：对数据样本进行加性高斯白噪声和莱斯rician选择性衰落信道处理。
11、根据一个优选的实施方式，步骤s1还包括：莱斯rician选择性衰落信道生成的ofdm信号被转换为iq样本，获得ofdm信号样本数据集用于训练cnn；
12、ofdm信号样本数据集被划分成3份：训练集、验证集、测试集，同时对每个数据打上对应信号的标签，以供识别时使用。
13、根据一个优选的实施方式，步骤s3还包括：对cnn轻量化网络模型进行优化设计步骤，通过对cnn轻量化网络模型进行优化以使得改进的cnn轻量化模型与transformerencoder模型融合。
14、根据一个优选的实施方式，步骤s3中对cnn轻量化网络模型进行优化设计包括：通过对cnn轻量化网络模型池化层位置、卷积核大小、卷积块数量以及有无批归一化层的设置选择优化方向。
15、根据一个优选的实施方式，步骤s3中对cnn轻量化网络模型进行优化设计具体包括：
16、通过对cnn轻量化网络模型池化层位置的分析，在3个卷积层后进行池化层设置，以使得样本特征能够被充分提取；且对卷积层的卷积核大小分别设置为1×1，2×2，3×3；
17、cnn轻量化网络模型中卷积块由若干卷积层和1个池化层组合而成，卷积核数量取值为2～5；
18、通过在网络中选取调节有/无批归一化层来判断cnn轻量化网络模型对信号分类的影响，从而进行相应设置。
19、前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本发明可采用并要求保护的方案。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合，均为本发明所要保护的技术方案，在此不做穷举。
20、本发明的有益效果：
21、随着无线信号传输的电磁环境日趋复杂，因此对ofdm信号调制识别的研究提出了更高的要求，同时需要通用性较强的智能化识别方法。本专利申请的识别方法提高了对ofdm信号调制识别方法的抗噪性能，而且适用于复杂电磁环境中实现正确识别，如莱斯信道环境等，不需过多的先验信息，以及大量的信号特征提取运算步骤，实现了自适应优化识别处理，鲁棒性强，计算处理效率相对更优，具有较高的工程应用价值。
1.一种基于优化卷积神经网络的ofdm信号调制识别方法，其特征在于，所述ofdm信号调制识别方法包括如下步骤：
2.如权利要求1所述的ofdm信号调制识别方法，其特征在于，步骤s1包括：对数据样本进行加性高斯白噪声和莱斯rician选择性衰落信道处理。
3.如权利要求2所述的ofdm信号调制识别方法，其特征在于，步骤s1还包括：莱斯rician选择性衰落信道生成的ofdm信号被转换为iq样本，获得ofdm信号样本数据集用于训练cnn；
4.如权利要求1所述的ofdm信号调制识别方法，其特征在于，步骤s3还包括：对cnn轻量化网络模型进行优化设计步骤，通过对cnn轻量化网络模型进行优化以使得改进的cnn轻量化网络模型与transformerencoder模型融合。
5.如权利要求4所述的ofdm信号调制识别方法，其特征在于，步骤s3中对cnn轻量化网络模型进行优化设计包括：通过对cnn轻量化网络模型池化层位置、卷积核大小、卷积块数量以及有无批归一化层的设置选择优化方向。
6.如权利要求5所述的ofdm信号调制识别方法，其特征在于，步骤s3中对cnn轻量化网络模型进行优化设计具体包括：
