[發明專利]基于CNN-LSTM模型和遷移學習的信號調制樣式識別方法

有效

• 申請號: 202010548590.7
• 申請日: 2020-06-16
• 公開（公告）號: CN111832417B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 占錦敏;趙知勁;翁建新
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/24;G06F18/214;G06F18/2431;G06F18/25;G06N3/0442;G06N3/0464;G06N3/08;G06N20/00
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于CNN-LSTM模型和遷移學習的信號調制樣式識別方法，其特征在于：包括如下步驟：

步驟一、采集多種不同調制信號樣本集，對信號樣本集進行預處理得到源數據集；

步驟二、構建CNN-LSTM網絡模型，隨機初始化CNN-LSTM網絡的權值，然后通過源數據集對初始化后的CNN-LSTM網絡進行預訓練，得到預訓練完成后的CNN-LSTM網絡模型和網絡權值參數；

步驟三、采集目標調制信號樣本集，預處理得到目標數據集，組成訓練數據集和測試數據集，將預訓練后的CNN-LSTM網絡權值參數遷移至目標CNN-LSTM網絡模型，利用部分目標數據集對目標CNN-LSTM網絡訓練進行微調，得到訓練完成的CNN-LSTM網絡；

步驟四、將測試數據集輸入到訓練完成的CNN-LSTM網絡，得到信號調制識別結果；

所述的步驟一具體如下：

采集得到多種不同調制信號樣本集，對各種調制信號進行正交解調，得到同相分類即Q路分類和正交分量即I路分類，再由I、Q兩路信號并行組成源數據集；

所述的步驟二具體如下：

CNN-LSTM網絡模型由五部分組成：第一部分為輸入層，輸入信號數據集；第二部分為CNN網絡，用于提取信號數據集的空間特征；第三部分為LSTM網絡，用于提取信號數據集的時序特征；第四部分為特征融合層，將CNN網絡提取的空間特征與LSTM提取的時序特征進行串聯，得到新的信號特征；第五部分為隨機森林分類器，根據新的信號特征進行信號調制樣式識別；

所述的步驟三具體如下：

采集需要識別的調制信號樣本集，預處理得到目標數據集，將其分為訓練數據集和測試數據集；提取步驟二中預訓練好的CNN-LSTM網絡模型的第二部分中CNN網絡權值參數和第三部分中LSTM網絡權值參數，再將權值參數對應遷移至目標CNN-LSTM網絡模型的CNN網絡和LSTM網絡中，然后輸入訓練數據集到目標CNN-LSTM網絡模型中，僅對隨機森林部分進行訓練，訓練步驟如下：

1)、訓練數據集經過目標CNN-LSTM網絡模型的前四部分，得到信號特征數據集；

2)、通過自助法有放回抽樣信號特征數據集構造子訓練數據集；

3)、根據基尼系數隨機選取特征參數建立CART決策樹，其中基尼系數表示模型的混亂度，CART決策樹的概率分布基尼系數為Gini(p)＝2p(1-p)，當遍歷特征參數A的所有分割點之后，使用特征參數和閾值T_A的關系，將訓練集D劃分為兩部分，即D₁和D₂，其中D₁是滿足A＞T_A的樣本集，D₂是不滿足A＞T_A的另一個樣本集；則在A＞T_A的情況下，訓練集D的基尼指數為：

所有特征參數都遍歷CART決策樹的所有分割點，尋找Gini系數最小的特征分割點；

4)、重復上述步驟1)-步驟3)n次，建立n棵決策樹，每個決策樹互不相干，構成隨機森林，判決時將多個決策樹分類器的判決結果進行投票，得到最終結果；

訓練完隨機森林后，得到訓練完成的CNN-LSTM網絡；

所述的步驟四具體如下：

輸入目標信號數據集的測試數據集到訓練完成的CNN-LSTM網絡的輸入層，CNN網絡提取信號的空間特征，LSTM網絡提取信號的時序特征，特征融合層將兩種特征串接，得到信號融合特征，輸入融合特征到隨機森林分類器進行投票判決，得到信號識別結果。