[發明專利]一種基于剪枝殘差網絡的調制信號識別方法

有效

• 申請號: 202010885528.7
• 申請日: 2020-08-28
• 公開（公告）號: CN111898591B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 紀衡;廖紅舒;甘露;徐汪洋
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

本發明屬于調制信號識別技術領域，具體涉及一種基于剪枝殘差網絡的調制信號識別方法。本發明包括獲取輸入調制信號,輸入至殘差網絡訓練,獲取已完成訓練的深度殘差卷積層網絡參數,提取調制識別殘差模型中,所有歸一化層的Gamma參數。對所有Gamma參數進行升序排列。設定全局的卷積核通道剪枝比例。根據剪枝比例,在升序排列的Gamma參數中確定剪枝的全局閾值；在所有歸一化層中,刪除小于全局閾值的Gamma參數及其上一層對應的卷積核通道。最后使用少量調制識別樣本對剪枝的模型進行訓練或使用全部調制信號訓練樣本從頭訓練。本發明相比之前的調制識別模型進一步減少了網絡參數,壓縮模型的大小,并大幅度減少了模型的運算量及推理時間。

技術領域

本發明屬于調制信號識別技術領域，具體涉及一種基于剪枝殘差網絡的調制信號識別方 法。

背景技術

信號的調制識別是頻譜監測過程中的重要組成部分，在認知無線電頻譜感知、戰場信號 截獲等軍民應用領域發揮著重要作用。采用深度神經網絡方法相比于傳統的人工分析方法判 斷信號屬性,深層次的特征更容易以參數化的方式描述,效率更高,并且能夠識別更多的信號 類型。

深度神經網絡(如深度殘差網絡)相對于傳統算法，顯著提高了調制識別的準確性.隨著網 絡層數越來越多,模型越來越復雜,盡管深度學習方法表現優秀,但大且深的深度網絡模型運 算量大,即使借助GPU加速,大規模模型參數也要占用大量的內存空間,在實際應用中依然受 到時間和空間上的限制,難以滿足實時性的需求.深度網絡模型的壓縮能夠減少模型的參數, 并且能夠減少模型的運行時間,從而將調制信號識別的時間控制在合理的運算范圍之內,降低 功耗,滿足實際應用的要求。

發明內容

本發明的目的是解決在不影響精度的前提下，對殘差網絡調制識別模型,壓縮模型的參數 量和減少計算復雜度的核心問題。以往的方法在裁剪調制識別模型時，為保證通道匹配,完全 保留了部分卷積層卷積核。本方法的核心在于使用通道自適應的方式，在保證通道匹配的同 時,對所有的卷積核進行剪枝,以期達到更優的剪枝后網絡結構。

為了實現上述提出的方法，本發明采用的技術方案如下所述：

一種基于剪枝殘差網絡的調制信號識別方法，其特征在于，包括以下步驟：

S1、對調制信號樣本進行預處理,得到均衡后的信號樣本并輸入深度殘差網絡進行訓練， 獲得訓練好的深度殘差網絡；

S2、基于訓練好的深度殘差網絡，在歸一化層中，對模型輸入的激活值z_in做歸一化得到 之后進行線性變化，輸出的激活值為z_out：

其中，μ_B為輸入激活值的均值，為方差，ε為極小常數項，γ為線性變換訓練權重Gamma，β為偏置項。獲取深度殘差網絡中所有歸一化層的訓練參數Gamma(γ)，將訓練 參數按升序排列；

S3、設定全局剪枝比例c，根據全局的剪枝比例和步驟S2的結果確定閾值在所有歸 一化層中，刪除小于閾值的訓練參數γ及其上一層對應的卷積核通道，獲得剔除卷積層后的 殘差網絡；

S4、基于剔除卷積層后的殘差網絡，分別計算深度殘差網絡每個階段的殘差塊中最后的 卷積層通道均值，分別將深度殘差網絡每個階段的殘差塊中最后的卷積層通道數量剪枝至該 階段的均值，獲得剪枝殘差網絡；

S5、采用剪枝殘差網絡對調制信號進行識別，對剪枝殘差網絡的平均分類準確率和模型 的可訓練參數總量與設定標準進行比較，若未達到設定標準，更新全局剪枝比例c后回到步 驟S2，直至達到設定標準為止。

本發明的有益效果是：

1)本發明基于深度學習對調制信號進行識別，并對深度殘差網絡進行了改進；