[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字信號調(diào)制模式識別方法

有效

• 申請?zhí)枺?/td>: 201810275921.7
• 申請日: 2018-03-30
• 公開（公告）號: CN108718288B
• 公開（公告）日: 2020-09-25
• 發(fā)明（設(shè)計）人: 王宏;王飛揚;黃浩;李建清
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 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

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字信號調(diào)制模式識別方法，包括以下步驟：S1、將接收機接收到的盲通信時域信號轉(zhuǎn)換為int16格式的數(shù)據(jù)，并保存為二進制數(shù)據(jù)文件；S2、變采樣為中頻信號；S3、進行中頻濾波；S4、做幅值歸一化處理；S5、設(shè)計卷積神經(jīng)網(wǎng)絡(luò)用于提取信號特征；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(yīng)的數(shù)字信號調(diào)制模式。本發(fā)明通過卷積神經(jīng)網(wǎng)絡(luò)的方法對不同的數(shù)字調(diào)制信號進行特征提取，可以有效的從復(fù)雜的數(shù)字調(diào)制信號中得到每一類對應(yīng)的有效特征，然后用全連接層將提取到的特征整合到標(biāo)記樣本空間，最后采用分類網(wǎng)絡(luò)對數(shù)字信號調(diào)制模式識別，對調(diào)制模式進行分類，有效提高了數(shù)字信號調(diào)制模式的效率。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)應(yīng)用和數(shù)字信號調(diào)制模式識別領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字信號調(diào)制模式識別方法。

背景技術(shù)

近年來，通信技術(shù)迅猛發(fā)展，為了滿足用戶的不同需求，充分利用通信資源，提高頻譜利用率，通信信號的體制、調(diào)制方式變得多樣化和復(fù)雜化，同一空間的信號也變得越來越密集。在電子戰(zhàn)通信情報截獲接收機的設(shè)計中，獲得接收的通信信號的調(diào)制方式，為解調(diào)器選擇解調(diào)算法提供參考依據(jù)，有助于電子戰(zhàn)中最佳干擾樣式或干擾抵消算法的選擇，以保證友方通信，同時破壞和抑制敵方通信，實現(xiàn)通信對抗的目的。

現(xiàn)有的數(shù)字信號調(diào)制模式識別都采用傳統(tǒng)的模式識別方法，首先從信號中人工提取特征，諸如統(tǒng)計量特征、譜相關(guān)特征、小波變換特征以及星座圖特征等，然后根據(jù)這些特征判斷與之對應(yīng)的調(diào)制模式。這種傳統(tǒng)的識別方法有很多缺點，首先必須相關(guān)領(lǐng)域的專家進行特征提取；其次提取特征的步驟繁瑣，計算量大，效率低。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)因人工提取特征用以識別信號調(diào)制模式導(dǎo)致步驟繁瑣，計算量大以及效率低的不足，提供一種通過卷積神經(jīng)網(wǎng)絡(luò)的方法對不同的數(shù)字調(diào)制信號進行特征提取，有效的提高了數(shù)字信號調(diào)制模式的效率的基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字信號調(diào)制模式識別方法。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字信號調(diào)制模式識別方法，包括以下步驟：

S1、將接收機接收到的盲通信時域信號轉(zhuǎn)換為int16格式的數(shù)據(jù)，并保存為二進制數(shù)據(jù)文件；

S2、將步驟S1得到的信號變采樣為中頻信號；

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；

S5、設(shè)計卷積神經(jīng)網(wǎng)絡(luò)用于提取信號特征；

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(yīng)的數(shù)字信號調(diào)制模式。

進一步地，所述步驟S2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。

進一步地，所述步驟S4具體實現(xiàn)方法為：用0均值標(biāo)準(zhǔn)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(biāo)準(zhǔn)差，z代表歸一化之后的信號。

進一步地，所述步驟S5中的卷積神經(jīng)網(wǎng)絡(luò)包括：

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

Dropout層：將在訓(xùn)練過程中每次更新參數(shù)時按一定概率隨機斷開輸入神經(jīng)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；