[發明專利]CNN聯合L1正則化的智能通信信號調制模式識別方法

有效

• 申請號: 201910245809.3
• 申請日: 2019-03-28
• 公開（公告）號: CN110113277B
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 趙若冰;幸晨杰;梁先明;龍慧敏;張希會
• 申請（專利權）人: 西南電子技術研究所(中國電子科技集團公司第十研究所)
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06N3/04
• 代理公司: 成飛(集團)公司專利中心 51121
• 代理人: 郭純武

1.一種CNN聯合L1正則化的智能通信信號調制模式識別方法，具如下技術特征：采用將L1正則化替代池化級的處理方法，構造一個適用于處理通信信號調制識別的卷積神經網CNN，形成一個以卷積神經網絡CNN框架聯合L1正則化的四層LCN卷積神經網絡；第一層LCN卷積神經網絡首先將包含N類調制模式的原始信號樣本按時序輸入第一層LCN卷積神經網絡，把包含N類調制模式的原始信號樣本按時序輸入第一層LCN卷積神經網絡，提取低級特征，并保證原始信號的完整性；第一層LCN卷積神經網絡首先將包含N類調制模式的原始信號樣本按時序輸入第一層LCN卷積神經網絡,第一層LCN卷積神經網絡中的第一級卷積基級，以N類調制模式混合的原始信號數據作為輸入，選取大小為1*100的卷積核函數與之卷積，得到一組線性激活響應；第二級探測級將每一個激活響應與激活函數相乘，選取sigmod函數作為激活函數；第三級L1正則化級將相乘所得結果進入L1正則化級，進行L1線性正則化，為后面的LCN卷積神經網絡迭代做鋪墊；第二層將上一層的LCN卷積神經網絡輸出作為本層的輸入，第二層LCN卷積神經網絡的第一級卷積級對輸入數據進行步幅卷積，以步幅為50的降采樣形式的步幅卷積消除時序信息對特征的干擾，第三層LCN卷積神經網絡將上一層LCN卷積神經網絡的輸出作為本層的輸入，第三層LCN卷積神經網絡中的第一級卷積級對上一層LCN卷積神經網絡的輸入數據進行步幅卷積，步幅為30；第三層LCN卷積神經網絡的第二級L1正則化級將從第一級卷積級得到的結果進行L1正則化并輸出新維度特征；，同時消除時序信息對提取出的特征的干擾；第四層作為全連接層，將第三層的輸出作為本層的輸入，把所有局部特征結合成全局特征，選用歸一化指數函數softmax將多個神經元的輸出，映射到（0,1）區間內，給出N類調制模式的概率，識別出信號調制類型。