[發明專利]基于多尺度卷積神經網絡的無線電信號調制識別方法

有效

• 申請號: 201711144077.6
• 申請日: 2017-11-17
• 公開（公告）號: CN107979554B
• 公開（公告）日: 2019-10-08
• 發明（設計）人: 楊淑媛;焦李成;黃震宇;吳亞聰;王喆;李兆達;張博聞;宋雨萱;李治;王翰林
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H04L27/00
• 分類號: H04L27/00;H04L27/18
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于多尺度卷積神經網絡的無線電信號調制識別方法，其特征在于：包括如下步驟：

(1)生成處理后的無線電調制信號：

將十一種共計220000個無線電調制信號中的每一個信號通過瑞利衰落信道，再疊加信噪比為+5分貝的高斯白噪聲，得到220000個無線電調制信號；

(2)生成二維時頻圖：

(2a)利用維格納-威利時頻分布公式，分別求220000個無線電調制信號中的每一個無線電調制信號的維格納-威利時頻分布；

(2b)畫出維格納-威利時頻分布的等高線圖，得到十一種共計220000張二維時頻圖；

(3)生成訓練樣本集和測試樣本集：

(3a)根據歸一化公式，分別對十一種二維時頻圖中的每一張二維時頻圖進行歸一化處理，將所有歸一化處理后的二維時頻圖組合成圖像樣本集合；

(3b)分別從圖像樣本集合的每一種二維時頻圖中隨機抽取80％的樣本，組合成訓練樣本集，余下的20％組合為測試樣本集；

(4)構建多尺度卷積神經網絡模型：

(4a)設定多尺度卷積神經網絡的參數和最大迭代次數，最大迭代次數設為100000步；

(4b)構建用于對信號進行自動特征提取的12層卷積神經網絡模型；

(4c)在12層的卷積神經網絡模型中，加入提取信號多尺度特征的兩個多尺度卷積層，得到14層多尺度卷積神經網絡模型；

(4d)設置多尺度卷積神經網絡模型的損失函數、優化算法和激活函數；

(5)訓練多尺度卷積神經網絡模型：

(5a)將打亂訓練樣本集中所有樣本排列順序的訓練樣本集，輸入到多尺度卷積神經網絡模型中；

(5b)訓練多尺度卷積神經網絡模型，當達到多尺度卷積神經網絡設置的迭代次數時，完成卷積神經網絡的訓練過程，得到訓練好的多尺度卷積神經網絡模型；

(6)獲得識別準確率：

(6a)將測試樣本集輸入到訓練好的多尺度卷積神經網絡模型中，得到識別結果；

(6b)將識別結果與測試集的真實類別對比，統計識別正確率。

2.根據權利要求1所述的基于多尺度卷積神經網絡的無線電信號調制識別方法，其特征在于，步驟(1)中所述的十一種無線電調制信號的類型分別為：雙邊帶調幅信號AMDSB、單邊帶調幅信號AMSSB、二進制相移鍵控調制信號BPSK、四相移相鍵控調制信號QPSK、八相移相鍵控調制信號EPSK、寬帶調頻信號WBFM、連續相位頻移鍵控信號CPFSK、脈沖幅度調制信號PAM4、十六進制正交振幅調制信號QAM16、六十四進制正交振幅調制信號QAM64、高斯頻移鍵控信號GFSK。

3.根據權利要求1所述的基于多尺度卷積神經網絡的無線電信號調制識別方法，其特征在于，步驟(2)中所述的維格納-威利時頻分布公式如下：

其中，W_n(t,Ω)表示第n個無線電調制信號x_n(t)的能量隨時間t和角頻率Ω變化的時頻分布，Ω表示第n個無線電調制信號x_n(t)的角頻率，表示積分操作，表示第n個無線電調制信號x_n(t)在時刻的值，表示第n個無線電調制信號x_n(t)在時刻的值，τ表示滯后時間，*表示共軛操作，e表示以自然對數為底數的指數操作，j表示虛數單位符號。

4.根據權利要求1所述的基于多尺度卷積神經網絡的無線電信號調制識別方法，其特征在于，步驟(3a)中所述的歸一化公式如下：

其中，Y_m表示第m張二維時頻圖X_m歸一化處理后的圖像樣本，μ表示累加十一種二維時頻圖后求取的平均值，σ表示十一種二維時頻圖的標準差。

5.根據權利要求1所述的基于多尺度卷積神經網絡的無線電信號調制識別方法，其特征在于,步驟(4a)中所述的多尺度卷積神經網絡的參數設置如下：將學習率設置為0.001，批處理大小設置為16，每次讀取圖像上限設置為1000張。