本发明属于信号调制领域，涉及一种基于脉冲神经网络的信号调制类型分类方法。
背景技术：
1、信号调制类型识别是一种在无线通信系统中广泛应用的任务，它涉及将接收到的无线信号归类为不同的调制类型。在数字通信系统中，信息通常以数字信号的形式传输，而信号调制则是将数字信息转换为模拟信号，从而在无线传输中进行传送。通过识别信号调制类型，接收端可以正确解调和还原传输的数字信息。
2、传统信号调制类型识别方法通常基于传统信号处理和机器学习技术。以下是几种常见的传统方法：
3、1.基于特征工程和分类器的方法：该方法通过手动设计特征提取算法，提取信号的特定特征，例如频谱特征、时域特征、高阶统计特征等。然后使用经典的机器学习分类器，如支持向量机(svm)、k最近邻(knn)、决策树等，对特征进行分类。
4、2.基于调制特征的方法：该方法利用信号调制类型的特定特征进行识别。不同调制类型的信号具有不同的调制特征，如频谱形状、相位变化、调制指数等。通过提取和分析这些特征，可以将信号分为不同的调制类型。
5、3.基于统计方法的方法：该方法利用信号的统计特性进行识别。例如，通过计算信号的自相关函数、互相关函数、高阶矩等统计量，可以识别不同调制类型下的统计特征差异。
6、4.基于模式识别方法的方法：该方法利用模式识别技术对信号进行分类。通过构建合适的模型和分类算法，对信号进行模式匹配和识别。常见的模式识别方法包括隐马尔可夫模型(hidden markov model,hmm)、高斯混合模型(gaussian mixture model,gmm)等。
7、以上方法在信号调制类型识别中被广泛应用，并取得了一定的成果。然而，这些传统方法通常需要手动设计特征提取算法，依赖于专业领域知识和经验，可能无法捕捉复杂信号的细微特征。近年来，随着深度学习的发展，深度学习方法在信号调制类型识别中逐渐崭露头角，因其能够自动学习特征表示和模式识别能信号调制类型识别中，深度学习已被广泛应用并取得了很好的效果。
8、深度学习算法通过从原始信号中自动学习特征表示，能够更好地捕捉信号的模式和特征，从而实现准确的调制类型分类。卷积神经网络(convolutional neural networks,cnn)在图像处理领域取得了巨大成功，同样也可以用于信号调制类型识别。通过卷积层和池化层，cnn可以自动学习信号的空间和频域特征，从而实现对不同调制类型的分类。循环神经网络(recurrent neural networks,rnn)是一种适用于序列数据处理的深度学习模型。对于时序信号调制类型识别，rnn可以利用其记忆功能，处理时序关系并捕捉时域特征。常见的rnn变种包括长短期记忆网络(long short-term memory,lstm)和门控循环单元(gated recurrent unit,gru)。生成对抗网络(generative adversarial networks,gan)，gan是一种用于生成新样本的深度学习模型。在信号调制类型识别中，可以使用gan生成合成信号样本，以增加训练数据的多样性和数量，从而提高模型的泛化能力和识别性能。以上网络包括其他深度学习网络统称为人工神经网络(artificial neural networks，ann)。
9、ann是数据驱动的。它们是一种基于数据的机器学习模型，通过从输入数据中学习和发现模式、特征和关联来进行任务的执行。人工神经网络的设计和训练依赖于大量的标记数据，通过这些数据来调整网络参数，以便使网络能够准确地预测和分类未见过的数据。因此，ann往往有着巨大的参数量。我们的方法将脉冲神经网络(spiking neuralnetworks,，snn)应用到信号调制类型识别中。snn是事件驱动的，以脉冲信号的形式传递和处理信息，可以更好地模拟生物神经系统中的时间相关性。这使得snn在处理时序数据、事件驱动任务和动态系统建模等方面具有优势。snn还具有稀疏性，这样可以减少网络的计算和存储需求，具有较小的参数量。同时snn只有在需要时才产生和传递脉冲信号。相比传统的基于梯度计算的神经网络，snn在处理信息时可以更加节能。
技术实现思路
1、为了克服传统的基于人工神经网络的信号调制类型识别方法在参数量、能耗上的局限性的不足，本发明提供了一种基于脉冲神经网络的信号调制类型分类方法，提出了一种使用iq通道信号提取幅度相位信息的数据处理方法，利用预训练的cnn，转化为snn，并提出一种权重归一化方法，以提升snn识别精度和缩短时间步长；经实验验证，本发明提出的方法，相比直接赋予权重的原始方法，在识别精度没有下降的情况下，时间步大幅缩短。
2、本发明实现上述发明目的所采用的技术方案如下：
3、一种基于脉冲神经网络的信号调制类型分类方法，包括以下步骤：
4、s1：使用无线电信号作为样本数据，处理iq信号的i通道和q通道，得到iq信号的幅值和相位并归一化；
5、s2：处理后的信号数据输入到cnn中进行训练；
6、s3：将训练完成的cnn参数赋给脉冲神经网络(snn)；
7、s4：数据输入到部署完成的snn中进行推理。
8、进一步，所述s1包括以下子步骤：
9、s1.1：使用无线电信号作为样本数据：
10、使用的数据集包括12种调制类别，分别为qpsk,8psk,bpsk,oqpsk,16qam，32qam，64qam，2fsk，4fsk，8fsk，4pam和8pam，原始数据以随机方式产生，以保证传输符号的概率相等，脉冲整形滤波器是升余弦滤波器，滚降因子是0.2到0.7范围内的随机值，信号相位偏移在-π至π范围内随机选择，载波频率偏移(归一化至采样频率)在-0.1至0.1范围内随机选择。每种调制类型的信噪比为10db。每个数据样本包含64个符号，采样率为8，因此每个样本的采样点数为512；
11、s1.2：信号处理：
12、首先处理iq信号的i通道和q通道，得到信号的幅值和相位信息：
13、
14、phase＝tan(i/q)，
15、然后对幅值和相位分别归一化，得到待输入的两路信号数据。
16、再进一步，所述s2的过程如下：将信号数据输入设计好的cnn中进行训练，cnn网络结构可以是任意可用的典型卷积神经网络结构，需要注意的是，卷积层偏置为0，这样做的主要目的是为了确保在卷积层的转化过程中，保持脉冲神经网络的神经元状态在零值或较低的初始状态，以避免脉冲神经元在初始阶段就过于激发，从而更好地适应脉冲传播和处理。
17、更进一步，所述s3包括以下子步骤：
18、s3.1：snn设计：
19、snn网络结构需与已训练完成的cnn完全相同，其中激活函数relu需替换为脉冲神经元。
20、脉冲神经元接收来自其他神经元的输入脉冲，并对这些输入进行积分，输入积分通常用于计算膜电位或脉冲积分值，以确定是否产生输出脉冲，使用if(integrate andfire)脉冲神经元，输入积分公式表示为：
21、
22、其中，v(t)是膜电位或脉冲积分值在时间t的状态，n是输入脉冲的数量，wi是对应第i个输入脉冲的突触权重，si(t)是第i个输入脉冲在时间t的脉冲状态，是0或1，表示是否有脉冲输入；
23、脉冲神经元的输出脉冲通常通过比较膜电位或脉冲积分值与阈值来决定是否发放输出脉冲，输出脉冲公式表示为：
24、
25、其中，soutput(t)是输出脉冲在时间t的状态，threshold是膜电位或脉冲积分值的阈值，用于确定是否发放输出脉冲。在脉冲发放后，膜电位会被重置为初始值，准备接收下一轮的输入；
26、s3.2：权重归一化处理：
27、在snn中，脉冲信号的传播受到突触权重的影响，当权重具有较大的范围时，脉冲信号的传播可能会不稳定，导致网络性能下降，通过权重归一化，可以将权重范围限制在合理的区间内，提高脉冲传播的稳定性，使得网络更容易学习和适应不同的输入，因此，找到合适的权重归一化方式，对提升snn的推理结果是至关重要的；为此，采用了一种权重归一化方法，使用了当前层的最大输入作为前一层的归一化因子，当前层的最大输出和最大权重间的最大值作为当前层的归一化因子：
28、
29、其中，wl是当前层权重，al-1是cnn上一层最大输出，al是cnn当前层最大输出。
30、所述s4的过程为：snn的参数是由已训练完成的cnn得到的，因此不需要训练，可直接对输入数据进行推理。
31、本发明的技术构思为：基于脉冲神经网络的信号调制类型分类方法，通过对信号的i通道和q通道进行计算，得到幅值和相位信息，并对两路数据进行归一化。然后将归一化后的数据输入到cnn中进行训练，得到训练完成的cnn的网络参数。其中，cnn的结构可以是任意经典的卷积神经网络，偏置设置为0，这样做的主要目的是为了确保在卷积层的转化过程中，保持脉冲神经网络的神经元状态在零值或较低的初始状态，以避免脉冲神经元在初始阶段就过于激发，从而更好地适应脉冲传播和处理。接着将cnn的权重输入到snn中去，snn的结构与cnn完全相同，其中激活函数relu需替换为脉冲神经元。由于脉冲神经元的本质是对relu激活进行逼近，因此权重归一化有助于平衡神经元之间的动态范围。在snn中，神经元的动态范围是指神经元的膜电位在时间上的变化范围。当权重具有较大的差异时，部分神经元的动态范围可能会被压缩或扩大，导致信号的失真或信息丢失。通过权重归一化，可以使神经元之间的动态范围保持均衡，确保有效的信息传递和处理。因此我们采用了一种权重归一化方式，以取得较好的效果。使用当前层的最大输入作为前一层的归一化因子，当前层的最大输出和最大权重间的最大值作为当前层的归一化因子。
32、最终得到的snn便直接可用于信号调制类型的推理分类。实验结果证实了本发明所提出的方法的可行性和有效性。
33、本发明的有益效果为：1)snn以脉冲信号的形式进行信息传递，利用时间编码和时间相关的计算来处理时序数据。这使得snn在处理时间序列、事件驱动任务和脉冲编码通信等任务方面具有优势。snn能够有效地编码和处理时序信息，从而在涉及时间相关性的任务比如信号调制类型分类中表现出良好的性能；2)snn中的神经元活动以脉冲信号的形式表现，这导致神经元的活动是稀疏的。稀疏编码有助于减少数据冗余，并产生更紧凑和高效的表示。这对于处理大规模数据和高维数据具有重要意义，有助于提高存储和计算效率；3)相比于传统的ann，snn具有更好的能耗效率。在snn中，神经元仅在活动时产生脉冲，而在非活动时不产生脉冲。这种稀疏性使得snn在能源消耗方面更加高效，适用于低功耗设备和能源受限环境；4)snn中的突触权重可以通过学习算法进行调整和优化，从而使得网络能够适应不同的任务和输入分布。此外，snn中的神经元活动和突触连接的动态性使得网络具有一定的可重构性和自适应性，可以应对环境变化和任务要求的变化。
1.一种基于脉冲神经网络的信号调制类型分类方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种基于脉冲神经网络的信号调制类型分类方法，其特征在于，所述步骤s1包括以下子步骤：
3.如权利要求1或2所述的一种基于脉冲神经网络的信号调制类型分类方法，其特征在于：所述s2的过程如下：将信号数据输入设计好的cnn中进行训练，cnn网络结构可以是任意可用的典型卷积神经网络结构，需要注意的是，卷积层偏置为0，用于确保在卷积层的转化过程中，保持脉冲神经网络的神经元状态在零值或较低的初始状态，以避免脉冲神经元在初始阶段就过于激发，从而更好地适应脉冲传播和处理。
4.如权利要求1或2所述的一种基于脉冲神经网络的信号调制类型分类方法，其特征在于：所述s3包括以下子步骤：
5.如权利要求1或2所述的一种基于脉冲神经网络的信号调制类型分类方法，其特征在于：所述s4的过程为：snn的参数是由已训练完成的cnn得到的，因此不需要训练，可直接对输入数据进行推理。
