[發(fā)明專利]一種基于雙路卷積長短期神經(jīng)網(wǎng)絡(luò)的自動識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011186593.7
• 申請日: 2020-10-30
• 公開（公告）號: CN112241724A
• 公開（公告）日: 2021-01-19
• 發(fā)明（設(shè)計）人: 郭業(yè)才;胡國樂;王慶偉;李晨
• 申請（專利權(quán)）人: 南京信息工程大學(xué)濱江學(xué)院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于雙路卷積長短期神經(jīng)網(wǎng)絡(luò)的自動識別方法，其特征在于，包括以下步驟：

(1)將無線電信號的同相分量和正交分量轉(zhuǎn)換成幅度分量和相位分量；

(2)構(gòu)造雙路神經(jīng)網(wǎng)絡(luò)，將簡單的同向正交分量送入到卷積神經(jīng)網(wǎng)絡(luò)，同時，將轉(zhuǎn)換的幅度相位分量送入到長短期神經(jīng)網(wǎng)絡(luò)進行識別；

(3)將兩路神經(jīng)網(wǎng)絡(luò)提取的時空特征進行信息融合，連接成一個新的特征矩陣；

(4)訓(xùn)練雙路神經(jīng)網(wǎng)絡(luò)，使用softmax分類器完成信號識別分類。

2.根據(jù)權(quán)利要求1所述的基于雙路卷積長短期神經(jīng)網(wǎng)絡(luò)的自動識別方法，其特征在于，所述步驟(1)通過以下公式實現(xiàn)：

其中，X_A表示信號幅度分量，X_P表示信號相位分量，X_I和X_Q分別代表同相和正交分量。

3.根據(jù)權(quán)利要求1所述的基于雙路卷積長短期神經(jīng)網(wǎng)絡(luò)的自動識別方法，其特征在于，步驟(2)所述的雙路神經(jīng)網(wǎng)絡(luò)分別為卷積神經(jīng)網(wǎng)絡(luò)和長短期神經(jīng)網(wǎng)路；所述卷積神經(jīng)網(wǎng)絡(luò)由一層卷積網(wǎng)絡(luò)層構(gòu)成，卷積網(wǎng)絡(luò)層由卷積濾波和非線性激活函數(shù)ReLU構(gòu)成，卷積網(wǎng)絡(luò)層的濾波器大小為1*3，個數(shù)為256個；所述長短期神經(jīng)網(wǎng)路由兩層神經(jīng)網(wǎng)絡(luò)層構(gòu)成，每層有256個神經(jīng)單元。

4.根據(jù)權(quán)利要求1所述的基于雙路卷積長短期神經(jīng)網(wǎng)絡(luò)的自動識別方法，其特征在于，步驟(3)所述的兩路神經(jīng)網(wǎng)絡(luò)提取的特征進行融合，采用特征相連的方式，表達式如下：

其中，concat表示融合后的信息，f_CNN(X^I/Q)表示信號矩陣X的同相正交(In-phase/Quadrature,I/Q)分量經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)(CNN)之后的特征矩陣，f_LSTM(X^A/P)表示信號矩陣X的幅度相位(Amplitude/Phase,A/P)分量經(jīng)過長短期神經(jīng)網(wǎng)絡(luò)(LSTM)之后的特征矩陣，表示兩個特征矩陣相連。

5.根據(jù)權(quán)利要求1所述的基于雙路卷積長短期神經(jīng)網(wǎng)絡(luò)的自動識別方法，其特征在于，步驟(4)所述的訓(xùn)練雙路神經(jīng)網(wǎng)絡(luò)采用反向傳播算法，多分類激活函數(shù)softmax作為最后一層的激活函數(shù)，目標(biāo)函數(shù)為交叉熵?fù)p失函數(shù)，表達式如下：

其中，Loss表示交叉熵?fù)p失函數(shù)，N為樣本個數(shù)，y_i和分別是輸出對象是第i種調(diào)制方式的真實概率和預(yù)測概率，使用反向傳播算法來對損失函數(shù)求導(dǎo)；σ函數(shù)表示softmax激活函數(shù)，z表示輸入數(shù)據(jù)，k表示調(diào)制類別數(shù)。

6.一種采用如權(quán)利要求1所述方法的基于雙路卷積長短期神經(jīng)網(wǎng)絡(luò)的自動識別系統(tǒng)，其特征在于，所述系統(tǒng)包括輸入層、卷積神經(jīng)網(wǎng)絡(luò)層、長短期神經(jīng)網(wǎng)路層、融合層以及輸出層；所述卷積神經(jīng)網(wǎng)絡(luò)層和長短期神經(jīng)網(wǎng)路層采用并聯(lián)的方式同時提取信號的不同特征；所述輸入層對輸入信息進行收集，將采集到的調(diào)制信號作為2*128大小的矩陣進行處理，其中信號采樣的同相和正交部分分開；所述卷積神經(jīng)網(wǎng)絡(luò)層提取信號的空間特征，采用一個卷積層，卷積核大小為1*3，卷積層節(jié)點數(shù)為256個，后面連接一個dropout層，激活函數(shù)使用ReLU函數(shù)；所述長短期神經(jīng)網(wǎng)路層提取信號的時間特征，采用兩層LSTM，每層有256個神經(jīng)單元逐層從調(diào)制信號中提取有用信息，并且使用了L2正則化防止模型過度擬合；所述融合層將卷積神經(jīng)網(wǎng)絡(luò)提取的空間特征和長短期神經(jīng)網(wǎng)路提取的時間特征進行融合，兩路特征通過特征相連的方式串接成新的特征矩陣；所述輸出層通過softmax分類器完成調(diào)制信號的識別。