1.一种复杂环境下通信信号自适应智能解调方法,其特征在于,包括:构建训练数据集,所述训练数据集包含多种调制方式的OFDM接收信号,将所述接收信号的时域IQ序列与频域IQ序列作为输入样本,将添加起始符号和结束符号的原始比特序列作为输出比特流标签;
利用所述训练数据集训练信号恢复神经网络,所述神经网络包括:多尺度卷积嵌入层,用于提取时频域特征;
编码器,采用双向交叉注意力机制对时频域特征进行对齐融合编码,生成信号整体特征向量;
解码器,以起始符号为触发,基于掩码自注意力机制进行自回归解码,逐位输出比特概率直至生成结束符号,恢复原始比特流;
使用训练好的所述信号恢复神经网络对OFDM接收信号进行自回归解码,在无需先验调制信息条件下端到端恢复原始比特流;
所述编码器中,双向交叉注意力机制执行两次独立的注意力计算:以时域特征向量为查询、频域特征向量为键和值进行第一次注意力计算;
以频域特征向量为查询、时域特征向量为键和值进行第二次注意力计算;将两次注意力计算结果相加融合,获得信号整体特征向量。
2.根据权利要求1所述的复杂环境下通信信号自适应智能解调方法,其特征在于,构建所述训练数据集包括:
根据不同的调制方式将原始比特信息转换为IQ数据并映射为调制符号序列,依次经串并转换、导频插入、离散傅里叶逆变换、并串转换和循环前缀插入后生成发射信号,经信道传输与噪声叠加后获得接收信号;
通过离散傅里叶变换将时域接收信号转化为频域接收信号;
设置最大调制阶数和接收信号的最大采样长度,采用零填充将原始比特序列、时域IQ序列和频域IQ序列分别补偿为等长序列;
将时域IQ序列和频域IQ序列的IQ数据分别转换为实部与虚部数据构成的时域数据序列和频域数据序列,并在零填充后的原始比特序列的开头和结尾分别添加起始符号和结束符号作为输出比特流标签;
将时域数据序列、频域数据序列与对应的输出比特流标签构建为训练数据集。
3.根据权利要求1所述的复杂环境下通信信号自适应智能解调方法,其特征在于,所述多尺度卷积嵌入层包括时域处理支路和频域处理支路,每个支路均由顺序连接的多尺度卷积模块和空间注意力模块组成;其中,所述多尺度卷积模块包含多个并行时序卷积子模块,每个子模块采用不同大小的卷积核和可配置的扩张率,用于捕获不同尺度的信道特性信号并堆叠输出多尺度特征;
所述空间注意力模块沿信号长度和特征双维度执行平均池化,通过二维卷积和Sigmoid激活生成空间权重矩阵,对多尺度特征进行加权融合并压缩至指定维度,输出时域特征向量或频域特征向量。
4.根据权利要求1所述的复杂环境下通信信号自适应智能解调方法,其特征在于,所述编码器中采用并行的两个处理支路,分别执行独立的注意力计算;具体包括:第一处理支路,由顺序连接的时域→频域注意力子模块、第一残差归一化模块、第一前馈神经网络和第二残差归一化模块构成;
第二处理支路,由顺序连接的频域→时域注意力子模块、第三残差归一化模块、第二前馈神经网络和第四残差归一化模块构成;
以及连接于两支路输出端的逐元素加法器和ReLU激活单元;
所述第一处理支路用于以增加位置编码的时域特征为查询、增加位置编码的频域特征为键和值计算注意力权重,输出时域对齐的频域增强特征;
所述第二处理支路用于以增加位置编码的频域特征为查询、增加位置编码的时域特征为键和值计算注意力权重,输出频域对齐的时域增强特征;
所述逐元素加法器和ReLU激活单元用于将两支路的增强特征融合,生成信号整体特征向量。
5.根据权利要求1所述的复杂环境下通信信号自适应智能解调方法,其特征在于,所述解码器采用自回归方式,以起始符号为触发、以信号整体特征向量为条件,逐位生成比特序列,直至输出结束符号后停止解码,得到最终预测比特流序列。
6.根据权利要求5所述的复杂环境下通信信号自适应智能解调方法,其特征在于,所述解码器采用多层堆叠架构,每一解码层包含以下顺序执行的子模块:第一级多头自注意力模块,接收经线性嵌入层映射的比特序列,通过因果掩码屏蔽未来位置及填充位,确保当前位置仅依赖历史信息,经残差连接与层归一化输出融合上下文信息的比特特征表示;
第二级多头交叉注意力模块,以编码器输出的信号整体特征向量为键、值,以上述比特特征表示为查询,计算交叉注意力权重,实现接收信号与比特流的映射,并再次经残差连接与层归一化;
前馈神经网络,对交叉注意力输出进行非线性变换,通过残差连接与层归一化输出该解码层的增强特征;
通过多层堆叠架构的多个解码层重复堆叠多次以深化特征表达;
最终经线性层与Softmax函数将特征映射至输出空间,转化为逐比特的分类概率。
7.根据权利要求1所述的复杂环境下通信信号自适应智能解调方法,其特征在于,采用掩码预测训练信号恢复神经网络模型;
在输出比特流标签中添加填充标记、起始标记和结束标记以扩展标签空间;
根据填充位置和序列顺序生成掩码,使模型训练过程中不关注未来位置及填充位置;采用交叉熵损失函数对比预测比特概率与标签概率,以最小化误比特率为优化目标更新网络参数。
8.根据权利要求7所述的复杂环境下通信信号自适应智能解调方法,其特征在于,训练时将信号恢复问题构建为五元分类任务,其中,0、1表示比特值,2表示填充位,3表示起始符号,4表示结束符号;
以最小化误比特率为目的,根据输出比特流标签和预测比特概率优化神经网络参数;
所述解码器最终通过Softmax函数将特征映射为比特分类概率,实现逐比特判决输出。
9.根据权利要求8所述的复杂环境下通信信号自适应智能解调方法,其特征在于,使用训练好的所述信号恢复神经网络对OFDM接收信号进行自回归解码,过程包括:
1)对OFDM接收信号的时域数据序列和频域数据序列输入到所述信号恢复神经网络的多尺度卷积嵌入层进行时域和频域特征;
2)将时域特征和频域特征输入编码器,将两个特征向量对齐融合,将输入序列映射到连续表示的向量;
;
其中,表示编码操作;表示时域特征和表示频域特征;
3)解码器采用自回归的方式,根据向量和开始符号生成第一个比特,结合新生成的比特和已有的输出序列,预测下一个比特;
比特流序列的预测更新表示为:
;
其中,表示解码操作,、分别表示前一时间步、当前时间步预测的序列结果,迭代此过程至输出特定的结束符号;输出最终预测比特流序列。