本发明属于自动调制识别，具体涉及一种面向动态场景的信号调制识别方法。
背景技术：
1、自动调制识别(automatic modulation recognition,amr)是无线电系统对其接收到的信号的调制类型进行鉴别分类的任务，也是信号检测至信号解调过程中的重要步骤。weaver等人于1969年通过数字化分析信号频谱，根据不同调制方式下信号频谱的差异实现了不同调制方式的识别，并首次提出自动调制识别的概念，为后续研究开辟了方向。调制识别技术在当下具有广泛应用场景和重要使用价值：在现代电子战中，调制识别是对敌方信号进行侦察和干扰等任务的一大重要环节，对战场态势感知意义重大。在非军事领域内，调制识别技术在认知无线电、智能通信、无线电监管等方面也发挥着重要的作用。
2、传统的调制识别方法主要包括两类，分别是基于似然估计的方法和基于信号特征的方法，由于这些方法对专家经验的依赖性较强，且存在易受到信道环境、参数变化等因素的影响、实现方式较为复杂等问题，导致其在实际应用中存在较大局限性。深度学习相关技术具有强大的特征提取能力与解决非线性问题的性能，受到深度学习相关研究的启发，研究者已经开始研究如何利用深度神经网络对信号特征进行提取。2016年，timothy j.o’shea等人率先展开研究，对不同网络在不同droupout比率下的识别性能进行了对比，并获取了不同信噪比下识别结果的混淆矩阵。研究最终指出与传统的专家经验法相比具有良好的识别性能，这一结论为后续更加深入的研究奠定了基础。
3、随着近几年来相关研究的不断深入，众多性能更优的识别方案被相继提出，chen等人提出了一种将随机擦除与注意力机制相结合的调制识别方案，在rml2016.10a数据集上表现出较好的识别效果。2023年lin等人在通过迁移学习模型中加入门控循环单元(gaterecurrent unit,gru)，并使用1-d cnn取代传统迁移学习模型中的全连接层，以此在少量训练样本条件下实现较好的分类效果。hu等人于2023年提出了一种新的特征融合调制识别模型，并通过改进多头自注意力(multi-headed self-attention,mhsa)机制，使模型的收敛速度和识别精度得到提高。han等人于2023通过融合iq分支和星座图两个通道的信息实现特征信息互补，在信噪比低至-10db的条件下实现较高的分类精度。
4、目前常规的深度学习的调制识别方法通常使用预先训练的模型对未知信号进行分类，然而在实际应用中存在测试数据的采集场景发生变化的情况。由于信号质量、采集设备、采样需求等因素发生改变，使测试数据和训练数据的分布特征发生变化，导原先模型产生失配现象，对识别性能造成影响。
技术实现思路
1、为了解决现有技术中存在的上述问题，本发明提供了一种面向动态场景的信号调制识别方法。本发明要解决的技术问题通过以下技术方案实现：
2、本发明提供了一种面向动态场景的信号调制识别方法，包括：
3、步骤1：构建训练数据集，所述训练数据集包括源域数据集和目标域数据集；
4、步骤2：构建信号调制方式识别网络；
5、步骤3：对所述训练数据集中的数据进行预处理；
6、步骤4：利用预处理后的源域数据集和目标域数据集对所述信号调制方式识别网络进行训练得到训练完成的域适应调制识别模型，其中，在训练过程中，根据输入的源域数据集的分类损失，输入的源域数据集和目标域数据集的数据分布差异损失构建总损失函数，基于所述总损失函数对所述信号调制方式识别网络进行迭代训练；
7、步骤5：利用所述域适应调制识别模型对待测信号数据进行调制方式识别，得到调制方式的分类结果。
8、在本发明的一个实施例中，所述源域数据集包括具有调制类别标签的i/q信号；所述目标域数据集包括无调制类别标签的i/q信号；所述源域数据集的i/q信号与所述目标域数据集的i/q信号的数据分布不同。
9、在本发明的一个实施例中，所述信号调制方式识别网络包括依次级联的主干网络、瓶颈层和分类层，其中，所述主干网络用于对输入信号数据进行初步特征提取，所述瓶颈层用于压缩训练规模，进行进一步特征提取，所述分类层根据所述瓶颈层的输出结果进行分类预测，得到所述输入信号数据的调制方式的分类结果。
10、在本发明的一个实施例中，所述主干网络为resnet18网络、resnet34网络、resnet50网络、alexnet网络或自定义的cnn网络，所述主干网络的第一层卷积层的输入通道数为2。
11、在本发明的一个实施例中，所述瓶颈层包括级联的第一全连接层、batchnorm1d层和relu激活函数层；所述分类层包括级联的第二全连接层和softmax层。
12、在本发明的一个实施例中，所述步骤3包括：
13、步骤3.1：将所述数据集中i/q信号的i路信号和q路信号分别按照预设切分长度进行等长切分，得到切分的i/q信号；
14、步骤3.2：对所述切分的i/q信号的i路信号和q路信号分别进行fft处理，得到对应的频域信号，将所述切分的i/q信号以及对应的频域信号组成大小为2*2*n的两通道数据，n为预设的切分长度。
15、在本发明的一个实施例中，所述步骤4包括：
16、步骤4.1：确定训练任务的batch_size大小；
17、步骤4.2：根据batch_size大小分批将预处理后的源域数据集和目标域数据集中的样本数据输入所述信号调制方式识别网络；
18、步骤4.3：根据所述瓶颈层对输入的源域样本数据和目标域样本数据的输出结果，计算源域样本数据和目标域样本数据的最大均值差异，得到源域样本数据和目标域样本数据的数据分布差异损失值；
19、步骤4.4：根据所述分类层对输入的源域样本数据的调制方式分类结果以及输入的源域样本数据的调制类别标签，计算得到源域样本数据的分类损失值；
20、步骤4.5：根据所述数据分布差异损失值和所述分类损失值，计算得到总损失函数值，利用所述总损失函数值对所述信号调制方式识别网络进行迭代训练，重复步骤4.2-步骤4.5直至达到预设训练截至条件，得到训练完成的域适应调制识别模型。
21、在本发明的一个实施例中，所述数据分布差异损失表示为：
22、
23、式中，mmd_loss为数据分布差异损失，φ(·)为映射函数，xi为预处理后的源域数据集中的样本数据经过网络的瓶颈层后的输出结果，yj为预处理后的目标域数据集中的样本数据经过网络的瓶颈层后的输出结果，n为源域的样本数据数目，m为目标域的样本数据数目，||·||h为范数，其中h表示这个距离是由φ(·)将数据映射到再生希尔伯特空间中进行度量的。
24、在本发明的一个实施例中，所述分类损失表示为：
25、
26、式中，class_loss为分类损失，batch_size为一次训练所抓取的数据样本数量，n为标签分类数目，y为样本数据的实际调制类别标签分布，为信号调制方式识别网络输出的调制类别标签分布。
27、在本发明的一个实施例中，所述总损失函数表示为：loss＝class_loss+λ×mmd_loss，λ为权重因子。
28、与现有技术相比，本发明的有益效果在于：
29、本发明的面向动态场景的信号调制识别方法，通过结合域适应手段，能够有效利用已有的充足带标签相关样本，并仅需较少量的无标签目标样本即可完成无监督学习。能够解决实际中在缺少充足带标签目标样本、同时存在充足带标签的相关样本条件下难以有效进行有监督学习的问题。在动态场景下，用原数据训练的传统深度学习识别模型在新场景中会出现识别率降低的问题，相比于经典深度学习方法，本技术的方法可以在一定程度上克服此类情况对识别性能的影响，提高调制信号类别的识别准确率，能够一定程度上改善传统深度学习识别方法的局限性。
30、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
1.一种面向动态场景的信号调制识别方法，其特征在于，包括：
2.根据权利要求1所述的面向动态场景的信号调制识别方法，其特征在于，所述源域数据集包括具有调制类别标签的i/q信号；所述目标域数据集包括无调制类别标签的i/q信号；所述源域数据集的i/q信号与所述目标域数据集的i/q信号的数据分布不同。
3.根据权利要求1所述的面向动态场景的信号调制识别方法，其特征在于，所述信号调制方式识别网络包括依次级联的主干网络、瓶颈层和分类层，其中，所述主干网络用于对输入信号数据进行初步特征提取，所述瓶颈层用于压缩训练规模，进行进一步特征提取，所述分类层根据所述瓶颈层的输出结果进行分类预测，得到所述输入信号数据的调制方式的分类结果。
4.根据权利要求3所述的面向动态场景的信号调制识别方法，其特征在于，所述主干网络为resnet18网络、resnet34网络、resnet50网络、alexnet网络或自定义的cnn网络，所述主干网络的第一层卷积层的输入通道数为2。
5.根据权利要求3所述的面向动态场景的信号调制识别方法，其特征在于，所述瓶颈层包括级联的第一全连接层、batchnorm1d层和relu激活函数层；所述分类层包括级联的第二全连接层和softmax层。
6.根据权利要求2所述的面向动态场景的信号调制识别方法，其特征在于，所述步骤3包括：
7.根据权利要求3所述的面向动态场景的信号调制识别方法，其特征在于，所述步骤4包括：
8.根据权利要求3所述的面向动态场景的信号调制识别方法，其特征在于，所述数据分布差异损失表示为：
9.根据权利要求8所述的面向动态场景的信号调制识别方法，其特征在于，所述分类损失表示为：
10.根据权利要求9所述的面向动态场景的信号调制识别方法，其特征在于，所述总损失函数表示为：loss＝class_loss+λ×mmd_loss，λ为权重因子。
