[發明專利]基于模糊密集卷積網絡的無線電自動調制識別方法

有效

• 申請號: 202010960299.0
• 申請日: 2020-09-14
• 公開（公告）號: CN112054979B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 雒瑞森;顏逸為;李晏銘;王之遠;邊彤;趙旭飛;余勤;張江;龔曉峰
• 申請（專利權）人: 四川大學
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06N3/08;G06N3/04
• 代理公司: 成都四合天行知識產權代理有限公司 51274
• 代理人: 周建;王記明

1.基于模糊密集卷積網絡的無線電自動調制識別方法，其特征在于，包括以下步驟：

S1、獲取無線電IQ數據；

S2、隨機抽取部分IQ數據作為測試集，隨機抽取部分IQ數據作為驗證集，剩余IQ數據作為訓練集；

S3、將訓練集的IQ數據輸入模糊密集卷積網絡進行訓練；

S4、將測試集的IQ數據輸入訓練后的模糊密集卷積網絡，計算IQ數據在每層獲得的特征信息，獲得IQ數據的識別結果；

其中，所述模糊密集卷積網絡包括輸入層、N個稠密塊、N個過渡塊和輸出層，N為正整數，稠密塊和過渡塊間隔設置，每個稠密塊的輸出經過一個過渡塊后作為下一稠密塊的輸入；

輸入層輸入數據至第一稠密塊，數據經過稠密塊和過渡塊后，輸出層輸出數據結果；

所述輸入層設有第一一維模糊層；

所述稠密塊包括M個稠密層，M為正整數，每個稠密層由第一卷積層和第二卷積層連接而成，第一卷積層和第二卷積層均由批量歸一化、激活層和卷積層順序連接，數據依次經過兩個卷積層；

所述過渡塊中設有第三卷積層和第二二維模糊層，數據經批量歸一化后，依次經過第三卷積層和第二二維模糊層；

所述第三卷積層卷積核大小為1×1，所述第二二維模糊層步長為1，第二二維模糊層的模糊核為高斯模糊核；

所述輸出層包括池化層和全連接層，數據依次經過池化層和全連接層，所述池化層采用全局平均池化。

2.如權利要求1所述的基于模糊密集卷積網絡的無線電自動調制識別方法，其特征在于，步驟S2具體為：隨機抽取10％IQ數據作為測試集，隨機抽取10％IQ數據作為驗證集，剩余80％IQ數據作為訓練集；步驟S3中還包括若10個訓練周期內驗證集識別率沒有提高，則停止訓練。

3.如權利要求1所述的基于模糊密集卷積網絡的無線電自動調制識別方法，其特征在于，所述第一一維模糊層步長為1，第一一維模糊層的模糊核為高斯模糊核，且其大小為1×5。

4.如權利要求1所述的基于模糊密集卷積網絡的無線電自動調制識別方法，其特征在于，所述第一卷積層的卷積核大小為1×1，所述第二卷積層的卷積核大小為2×2。

5.如權利要求1所述的基于模糊密集卷積網絡的無線電自動調制識別方法，其特征在于，所述稠密塊中稠密層的特征由前一層稠密層的特征組合而成，所述特征的提取由卷積層來完成；在模糊密集卷積網絡的傳遞過程中，在順序傳遞的同時，稠密塊中將每個稠密層使用了跳躍連接，不斷合并特征進行特征復用，具體計算如下：

x_l＝H_l([x₀,x₁,...,x_l-1])，其中x_l為網絡中一稠密塊中第l層稠密層的特征，[x₀,x₁,...,x_l-1]表示第0到l-1層的特征在層維度上進行合并，l為小于等于M的正整數。

6.如權利要求5所述的基于模糊密集卷積網絡的無線電自動調制識別方法，其特征在于，第l層稠密層的特征層數為k₀+(l-1)×k，其中k₀為輸入的通道數，k為稠密塊中每一個稠密層特征層數的增長率。

7.如權利要求1所述的基于模糊密集卷積網絡的無線電自動調制識別方法，其特征在于，所述過渡塊的特征層數為m，m為正整數。

8.如權利要求1所述的基于模糊密集卷積網絡的無線電自動調制識別方法，其特征在于，N＝3，每個稠密塊的稠密層的數量M＝6。