[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

本發明公開一種基于CNN?LSTM模型和遷移學習的信號調制樣式識別方法。本發明首先對采集多種不同調制信號樣本集，預處理得到源數據集；再構建CNN?LSTM網絡模型，將網絡的權值進行隨機初始化，輸入源數據集對網絡模型進行預訓練；將預訓練后CNN網絡與LSTM網絡的權值參數對應遷移至目標CNN?LSTM網絡中，輸入訓練數據集對目標CNN?LSTM網絡中的隨機森林分類器進行訓練，得到訓練完成的CNN?LSTM網絡；最后利用訓練完成的CNN?LSTM網絡對測試數據集進行調制樣式識別，得到信號分類識別結果。本發明結合了CNN網絡與LSTM網絡的特征提取優點，提高了信號識別性能，并解決了深度學習在缺少目標信號樣本的條件下識別性能差的問題。

技術領域

本發明屬于通信信號調制識別領域，機器學習領域，設計了一種基于CNN-LSTM模型和遷移學習的信號調制樣式識別模型。

背景技術

信號調制方式識別是信號檢測與解調的重要技術之一，用于判斷未知信號的調制方式，估計出信號某些調制參數，為信號解調提供參數依據，從而得到有用信息。目前，通信信號調制識別在軍事和民用領域都是十分重要的研究課題。在軍事領域，實現對敵方通信進行干擾和破壞以及保護己方通信安全；在民用領域，主要用于對頻譜資源進行有效監督和管理。

目前已有的信號調制識別算法主要分為基于決策理論的信號調制識別方法、基于特征提取的模式識別方法。前者基于假設檢驗理論，以概率論和假設檢驗理論為基礎，對接收信號進行統計特性分析，再利用代價函數最小化準則進行分析推導，得到檢驗統計量，然后與判決門限進行比較，根據最小化錯誤分類概率對信號進行判決。該方法具有完備的理論基礎，但需要的先驗信息多、計算復雜度高，因此適用性差且運算量大；后者通過提取能區分信號調制方式的特征參數，根據不同調制方式對應的特征參數的不同，對信號進行分類判別；該方法復雜度低、理論分析簡單、適用范圍廣，但識別效果依賴對特征參數的選擇，難以得到信號深層次特征。針對人工提取特征導致的問題，有許多學者將深度學習應用于信號調制識別，其中CNN網絡空間特征提取能力強，LSTM網絡時序特征提取能力強。另外，神經網絡訓練需要大量帶有標簽的信號數據，這就導致樣本數據缺乏的情況下無法達到要求的識別效果，可以通過遷移學習解決該問題。神經網絡通常使用softmax分類器，該分類器通過BP算法進行訓練，存在局部極小值以及梯度消失、過擬合等問題。隨機森林是以自舉匯聚法(bagging)為基礎，由多個弱分類器(決策樹)組成的強分類器。克服了決策樹的過擬合問題，同時由于采用了隨機采樣，訓練出的模型的方差小，泛化能力強，對缺失數據和非平衡數據比較穩健。因此針對通信信號調制識別問題，提出一種基于卷積神經網絡與隨機森林的信號調制識別方法。

發明內容

本發明的目的是提出一種基于CNN-LSTM模型和遷移學習的信號調制樣式識別方法。

本發明的具體步驟如下：

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。

進一步的步驟一具體如下：

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(Q路分類)和正交分量(I路分類)，再由I、Q兩路信號并行組成源數據集；

進一步的，步驟二具體如下：