[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法

在審

• 申請?zhí)枺?/td>: 202011182208.1
• 申請日: 2020-10-29
• 公開（公告）號: CN112308133A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計）人: 張航;陳宇林
• 申請（專利權(quán)）人: 成都明杰科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;H04L27/00
• 代理公司: 成都四合天行知識產(chǎn)權(quán)代理有限公司 51274
• 代理人: 馮龍;王記明

1.基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法，其特征在于，包括以下步驟：

S1：選取調(diào)制信號數(shù)據(jù)集并設(shè)計卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)；

S2：在卷積神經(jīng)網(wǎng)絡(luò)模型中通過殘差連接的方式構(gòu)建殘差單元；

S3：在卷積神經(jīng)網(wǎng)絡(luò)模型中對網(wǎng)絡(luò)層中的數(shù)據(jù)分批次進行批歸一化；

S4：設(shè)置卷積神經(jīng)網(wǎng)絡(luò)參數(shù)；

S5：對卷積神經(jīng)網(wǎng)絡(luò)進行訓練，并隨機丟失訓練集中的數(shù)據(jù)；

S6：將信號帶入訓練后的卷積神經(jīng)網(wǎng)絡(luò)并進行調(diào)制識別。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法，其特征在于，所述步驟S1中卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、池化層和全連接層，其中，

卷積層，對輸入層通過卷積核進行卷積運算，以提取信號中的空間特征，每一卷積層中包含多個卷積核，卷積層將上一層的特征圖作為輸入，多個卷積核對特征圖進行卷積運算得到輸出特征，卷積運算的過程可定義為：

式中，l表示網(wǎng)絡(luò)層的數(shù)量，w代表卷積核，b則為偏置向量，f(·)表示激活函數(shù)；

池化層，連接在卷積層之后，根據(jù)局部關(guān)聯(lián)性原理對卷積層的輸出進行下采樣，池化層的表達式為：

式中，down(·)表示池化函數(shù)；

全連接層，多個卷積層和池化層的特征處理后，連接一個或多個全連接層，將自動提取到的高層次特征整合為局部特征信息，最后經(jīng)過分類器實現(xiàn)結(jié)果的輸出，將輸出結(jié)果經(jīng)過獨熱編碼處理后轉(zhuǎn)換為向量形式。

3.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法，其特征在于，在步驟S1中使用卷積核組成的卷積塊，并通過殘差連接的方式構(gòu)建殘差單元；在卷積塊的兩個卷積層之間加入批歸一化處理；使用全局平均池化層來代替整個卷積神經(jīng)網(wǎng)絡(luò)中除最后一層全連接層之外的全連接層。

4.根據(jù)權(quán)利要求3所述的基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法，其特征在于，卷積核個數(shù)設(shè)置為32，每一殘差單元的第一個卷積核尺寸為1×1，此后在第一個殘差單元中卷積核尺寸為2×3，其余殘差單元中尺寸為1×3。

5.根據(jù)權(quán)利要求3所述的基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法，其特征在于，所述步驟S5包括前向傳播與反向傳播兩個階段，在前向傳播中，將輸入數(shù)據(jù)傳入網(wǎng)絡(luò)中，通過非線性變換計算得到網(wǎng)絡(luò)中每一層的輸出，在反向傳播中，將網(wǎng)絡(luò)的預測值與真實值之間的誤差作為損失函數(shù)，以最小化損失函數(shù)為目標來調(diào)節(jié)網(wǎng)絡(luò)中各層的參數(shù)。

6.根據(jù)權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法，其特征在于，所述步驟S5包括：

S5.1：將網(wǎng)絡(luò)參數(shù)進行初始化；

S5.2：計算卷積層、池化層、全連接層輸出的特征圖；

S5.3：得出預測值與真實值之間的誤差；

S5.4：判斷誤差是否收斂，若收斂則結(jié)束訓練，固定網(wǎng)絡(luò)參數(shù)；若不收斂則進入反向傳播階段。

7.根據(jù)權(quán)利要求5所述的基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法，其特征在于，所述步驟S5.4中的反向傳播階段包括：

5.4.1：計算網(wǎng)絡(luò)層中的誤差；

5.4.2：計算梯度；

5.4.3：更新網(wǎng)絡(luò)層的權(quán)值；

5.4.4：將更新后的權(quán)值帶入卷積神經(jīng)網(wǎng)絡(luò)中對初始化的數(shù)據(jù)進行處理。