[發明專利]基于卷積神經網絡的數字信號調制模式識別方法

有效

• 申請號: 201810275921.7
• 申請日: 2018-03-30
• 公開（公告）號: CN108718288B
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 王宏;王飛揚;黃浩;李建清
• 申請（專利權）人: 電子科技大學
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06K9/00;G06N3/04
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.基于卷積神經網絡的數字信號調制模式識別方法，其特征在于，包括以下步驟：

S1、將接收機接收到的盲通信時域信號轉換為int16格式的數據，并保存為二進制數據文件；

S2、將步驟S1得到的信號變采樣為中頻信號；包括以下子步驟：

S21、畫出信號的時域頻譜圖，得到該信號的載波頻率；

S22、用四倍的載波頻率重采樣該信號；

S3、對步驟S2得到的中頻信號進行中頻濾波；

S4、對中頻濾波后的信號做幅值歸一化處理；具體實現方法為：用0均值標準化方法對信號進行歸一化，公式如下：

z=(x-μ)/σ

其中，x代表步驟S3得到的原始信號，μ代表原始信號的均值，σ代表原始信號的標準差，z代表歸一化之后的信號；

S5、設計卷積神經網絡用于提取信號特征；卷積神經網絡包括：

一維卷積層conv1D：使用的激活函數為relu，用以對一維時域信號進行特征提取；

Dropout層：將在訓練過程中每次更新參數時按一定概率隨機斷開輸入神經元，Dropout層用于防止過擬合；

GlobalAveragePooling1D層：為時域信號施加全局最大值池化；

全連接層：將學到的“分布式特征表示”映射到樣本標記空間的作用；

Softmax層：公式如下：

x為待識別的時域信號，K為總的類別數，k和i分別表示第k個類別和第i個類別，表示當前信號識別為第k類的映射值，表示當前信號識別為第i類的映射值，P(i)為x信號屬于i類別的概率值；

S6、對步驟S4得到的信號進行特征提取并進行分類回歸，得到對應的數字信號調制模式。

2.根據權利要求1所述的基于卷積神經網絡的數字信號調制模式識別方法，其特征在于，所述步驟S6包括以下子步驟：

S61、將信號分成適合輸入卷積神經網絡的多段等長序列；

S62、將每段序列輸入神經網絡進行分類；

S63、將每一段信號的每一個分類置信度求和再取平均值，平均值最大的那一類即為該信號的調制模式類別。