买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利一种面向智能仪器的通信信号调制方式盲识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117319153B 。

龙图腾网通过国家知识产权局官网在2025-09-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311254796.9，技术领域涉及：H04L27/00；该发明授权一种面向智能仪器的通信信号调制方式盲识别方法是由王超;杜思翰;史新山;张海宾;向长波;杨明洋;李赞设计研发完成，并于2023-09-26向国家知识产权局提交的专利申请。

本一种面向智能仪器的通信信号调制方式盲识别方法在说明书摘要公布了：本发明提供了一种面向智能仪器的通信信号调制方式盲识别方法，旨在为仪器赋能，使其摆脱对人工经验的依赖，实现自动化和智慧化的电磁信号测量。对接收信号进行频率粗估计、频率矫正以及信号检测，若信号检测结果为通信信号，通过基于卷积注意力CNN‑Attention的信号识别网络判别信号的预识别类型。根据预识别类型，对通信信号调制方式做进一步分类，针对振幅键控ASK类、相移键控PSK类、正交幅度调制QAM类分别进行识别。本发明所提出的方法摆脱了人工经验的依赖，有效缓解了噪声、时频不同步以及射频信道的影响，解决了现有方法带来的调制识别准确率低、算法鲁棒性差的问题，大幅度提升了调制识别的精度。

本发明授权一种面向智能仪器的通信信号调制方式盲识别方法在权利要求书中公布了：1.一种面向智能仪器的通信信号调制方式盲识别方法，其特征在于，包括： 步骤1、对接收信号进行功率归一化处理，得到归一化接收信号； 步骤2、对归一化接收信号进行频率粗估计以及频率粗矫正，得到矫正信号； 步骤3、基于能量的信号频域检测法判断矫正信号为纯噪声信号还是通信信号，若是纯噪声信号，进入步骤6，若是通信信号，则将其记为待识别信号，进入步骤4； 步骤4、将待识别信号输入训练好的基于CNN-Attention的信号识别网络中，输出信号类间预识别类型；其中，信号类间预识别类型包括ASK、PSK、QAM三类调制方式； 步骤5、若待识别信号属于ASK类调制方式，则结合多时星座图与深度学习完成信号调制方式的识别；若待识别信号属于PSK类调制方式，则对待识别信号做多次方谱变换，再将其输入基于残差网络的信号识别网络，融合信号的多维域特征，输出信号的调制方式识别结果；若待识别信号属于QAM类调制方式，则结合4次方谱变换、多时星座图及深度学习完成信号调制方式的识别； 步骤6、输出信号调制的调制方式识别结果； 所述步骤4中，利用时域信号波形对CNN-Attention网络进行监督式训练，以建立信号类间预识别模型，基于信号类间预识别模型，分析待识别信号并输出信号的调制方式识别结果，识别结果为ASK、PSK或QAM调制方式中的一类； 所述步骤5中，若待识别信号属于ASK类调制方式，具体识别方法包括： 步骤5.1.1、对待识别信号做符号速率估计与频率精估计，得到信号的频偏精估计值和符号速率估计值； 步骤5.1.2、根据频偏精估计值对信号进行频率精矫正，根据符号速率估计值计算每个符号采样点数； 步骤5.1.3、根据每个符号采样点数与矫正后的信号计算得到信号的多时星座图； 步骤5.1.4、将多时星座图依次输入基于VGG的信号识别网络，若某一时刻的星座图分析结果为2ASK、4ASK或8ASK调制方式中的一类，则输出信号对应的调制方式识别结果； 所述步骤5中，若待识别信号属于PSK类调制方式，具体识别方法包括： 步骤5.2.1、对待识别信号做多次方谱变换，得到信号的2次方谱、4次方谱以及8次方谱； 步骤5.2.2、将2次方谱、4次方谱以及8次方谱进分别处理为对应三维张量，并按通道维数拼接成信号的三维张量； 步骤5.2.3、将信号的三维张量输入到训练好的基于残差网络的信号识别网络，完成PSK类调制方式的识别； 所述步骤5中，若待识别信号属于QAM类调制方式，具体识别方法包括： 步骤5.3.1、对待识别信号做4次方谱变换，得到信号的4次方谱； 步骤5.3.2、将4次方谱输入基于MLP的信号识别网络，输出QAM类调制方式的预识别类型，若待识别信号的预识别类型为16QAM、64QAM、256QAM，进入步骤5.3.3，若待识别信号的预识别类型为32QAM、128QAM，进入步骤5.3.4； 步骤5.3.3、对待识别信号做频率精估计与符号速率估计，得到信号的频偏精估计值与符号速率估计值；再根据频偏精估计值对信号进行频率精矫正，根据符号速率估计值计算每个符号采样点数；再根据每个符号采样点数计算得到信号的多时星座图；最后将多时星座图依次输入基于VGG的信号识别网络，输出信号的具体调制方式识别结果； 步骤5.3.4、对待识别信号做符号速率估计，得到信号的符号速率估计值；再根据符号速率估计值计算每个符号采样点数；再根据每个符号采样点数计算得到信号多时星座图；最后将多时星座图依次输入基于VGG的信号识别网络，输出信号的具体调制方式识别结果； 所述频率精估计方法为：对待识别信号做4次方谱变换，得到信号的4次方谱，根据4次方谱的峰值谱线求得频偏精估计值； 所述基于CNN-Attention的信号识别网络包括特征提取模块、压缩激励模块、多头自注意力机制模块及分类器模块； 所述特征提取模块有卷积模块a、卷积模块b及卷积模块c顺序构成，所述卷积模块a包括连接的卷积层、批量归一化、激活函数ReLu，所述卷积模块b包括连接的卷积层、批量归一化、平均池化层、激活函数ReLu，所述卷积模块c包括连接的卷积层、批量归一化、激活函数ReLu、dropout层； 所述压缩激励模块由卷积模块c、压缩模块、激励模块及特征再加权模块顺序构成，所述卷积模块c包括连接的卷积层a、激活函数ReLu、卷积层b，所述压缩模块为全局平均池化层，所述激励模块包括连接的全连接层a、激活函数ReLu、全连接层b、激活函数Sigmoid； 所述多头自注意力机制模块由多头自注意力机制及前馈网络子模块顺序构成，所述多头自注意力机制模块包括连接的因果卷积层、多头自注意力层、残差单元，所述前馈网络子模块包括连接的层归一化a、全连接层a、层归一化b、全连接层b、残差单元； 所述分类器由压平模块、平均池化层、全连接层、Softmax层顺序构成，所述压平模块用于将多维输入特征一维化； 特征再加权模块用于对不同特征通道进行再加权； 所述基于VGG的信号识别网络由卷积模块a、卷积模块b、分类器模块顺序构成； 所述卷积模块a包括连接的二维卷积层a、二维卷积层b、池化层； 所述卷积模块b包括连接的二维卷积层a、二维卷积层b、二维卷积层c、池化层； 所述分类器模块包括连接的压平模块、全连接层a、激活函数ReLu、全连接层b、全连接层c、softmax层； 所述基于残差网络的信号识别网络由二维卷积层、残差模块a、残差模块b、残差模块c、残差模块d、全连接层a、全连接层b、Softmax层顺序构成； 所述二维卷积层采用的三维输入模式；其中，H、W、C分别表述高、宽、通道维数； 所述残差模块a、残差模块b、残差模块c、残差模块d分别对应由3个基础模块、4个基础模块、6个基础模块、3个基础模块顺序构成，其中基础模块由二维卷积层a、批量归一化、激活函数ReLu、二维卷积层b、批量归一化、残差单元、激活函数ReLu顺序构成； 所述基于MLP的信号识别网络由卷积模块、分类器模块顺序构成； 所述卷积模块包括二维卷积层、池化层、激活函数ReLu、批归一化； 所述分类器模块包括压平模块全连接层a、全连接层b、激活函数ReLu、全连接层c、Softmax层。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。