[發明專利]一種基于深度學習的高精度頻譜識別方法及系統

在審

• 申請號: 201911234417.3
• 申請日: 2019-12-05
• 公開（公告）號: CN111191515A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 吳賽;王智慧;汪莞喬;李哲;李許安;段鈞寶;丁慧霞;鄭偉軍;李志;孟薩出拉;滕玲
• 申請（專利權）人: 中國電力科學研究院有限公司;國網浙江省電力有限公司;國家電網有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京工信聯合知識產權代理有限公司 11266
• 代理人: 姜麗樓

1.一種基于深度學習的高精度頻譜識別方法，所述方法包括：

對加入噪聲的已調信號進行預處理，對經過預處理的已調信號進行計算，獲取歸一化的循環相關熵譜圖；

根據所述循環相關熵譜圖分析各調制方式在不同信噪比下的循環相關熵譜圖特征；

將所述循環相關熵譜圖特征劃分為訓練集和測試集，利用所述訓練集和所述測試集對深度學習網絡進行訓練，獲取訓練后的深度學習網絡；

通過訓練后的深度學習網絡對待識別信號進行識別，輸出所述待識別信號的調制方式。

2.根據權利要求1所述的方法，所述對經過預處理的已調信號進行計算，獲取歸一化的循環相關熵譜圖，包括：

對經過預處理的已調信號采用循環周期檢測算法進行計算得到循環相關熵譜。

3.根據權利要求1所述的方法，所述根據所述循環相關熵譜圖分析各調制方式在不同信噪比下的循環相關熵譜圖特征，包括：

分析各調制信號在不同信噪比下所述循環相關熵譜圖的特點，選取出既能夠在不同信噪比下較好的表征特定調制信號又能顯著區分不同調制信號的循環相關熵譜圖特征。

4.根據權利要求1所述的方法，所述將所述循環相關熵譜圖特征劃分為訓練集和測試集，利用所述訓練集和所述測試集對深度學習網絡進行訓練，獲取訓練后的深度學習網絡，包括：

將一維循環相關熵譜圖特征序列轉換為二維循環相關熵譜圖特征矩陣；

將所述二維循環相關熵譜圖特征矩陣輸入到所述深度學習網絡進行訓練，獲取訓練后的深度學習網絡。

5.根據權利要求1所述的方法，通過蒙特卡羅方法產生訓練集和測試集。

6.一種基于深度學習的高精度頻譜識別系統，所述系統包括：

初始單元，用于對加入噪聲的已調信號進行預處理，對經過預處理的已調信號進行計算，獲取歸一化的循環相關熵譜圖；

分析單元，用于根據所述循環相關熵譜圖分析各調制方式在不同信噪比下的循環相關熵譜圖特征；

訓練單元，用于將所述循環相關熵譜圖特征劃分為訓練集和測試集，利用所述訓練集和所述測試集對深度學習網絡進行訓練，獲取訓練后的深度學習網絡；

識別單元，用于通過訓練后的深度學習網絡對待識別信號進行識別，輸出所述待識別信號的調制方式。

7.根據權利要求6所述的系統，所述初始單元用于對經過預處理的已調信號進行計算，獲取歸一化的循環相關熵譜圖，還用于：

對經過預處理的已調信號采用循環周期檢測算法進行計算得到循環相關熵譜。

8.根據權利要求6所述的系統，所述分析單元用于根據所述循環相關熵譜圖分析各調制方式在不同信噪比下的循環相關熵譜圖特征，還用于：

分析各調制信號在不同信噪比下所述循環相關熵譜圖的特點，選取出既能夠在不同信噪比下較好的表征特定調制信號又能顯著區分不同調制信號的循環相關熵譜圖特征。

9.根據權利要求6所述的系統，所述訓練單元用于將所述循環相關熵譜圖特征劃分為訓練集和測試集，利用所述訓練集和所述測試集對深度學習網絡進行訓練，獲取訓練后的深度學習網絡，還用于：

將一維循環相關熵譜圖特征序列轉換為二維循環相關熵譜圖特征矩陣；

將所述二維循環相關熵譜圖特征矩陣輸入到所述深度學習網絡進行訓練，獲取訓練后的深度學習網絡。

10.根據權利要求1所述的方法，所述訓練單元用于通過蒙特卡羅方法產生訓練集和測試集。