[發(fā)明專利]基于混合神經(jīng)網(wǎng)絡(luò)的無線電信號調(diào)制識別網(wǎng)絡(luò)及實現(xiàn)方法

在審

• 申請?zhí)枺?/td>: 202011368021.0
• 申請日: 2020-11-28
• 公開（公告）號: CN112565128A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計）人: 李立欣;倪濤;黃俊生;狄慧;趙艷彬;李旭
• 申請（專利權(quán)）人: 西北工業(yè)大學(xué);上海衛(wèi)星工程研究所
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06N3/04;G06N3/06;G06N3/08
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 金鳳

1.一種基于混合神經(jīng)網(wǎng)絡(luò)的無線電信號調(diào)制識別網(wǎng)絡(luò)，包括卷積層模塊、膠囊層模塊、門控循環(huán)單元層模塊以及輸出層模塊，其特征在于：

卷積層提取調(diào)制信號的標(biāo)量特征信息，膠囊層對卷積層提取的標(biāo)量特征信息進行維度的劃分，將標(biāo)量特征轉(zhuǎn)化為矢量特征，從而使由卷積層，膠囊層與門控循環(huán)單元層相結(jié)合的混合神經(jīng)網(wǎng)絡(luò)模型充分抽取調(diào)制信號的矢量空間特征，門控循環(huán)單元在膠囊網(wǎng)絡(luò)提取信號矢量特征的基礎(chǔ)上，再利用門控循環(huán)單元層提取調(diào)制信號中與時間相關(guān)的特征信息；

基于Keras深度學(xué)習(xí)框架，搭建混合網(wǎng)絡(luò)結(jié)構(gòu)；利用數(shù)據(jù)集訓(xùn)練所提出的混合網(wǎng)絡(luò)模型，通過測試集驗證訓(xùn)練效果，完成信號自動調(diào)制識別，調(diào)制信號通過膠囊層后輸送到門控循環(huán)單元層，在門控循環(huán)單元層中，利用門控循環(huán)單元提取調(diào)制信號中與時間相關(guān)的特征信息，最后，通過輸出層完成調(diào)制信號的分類；

調(diào)制信號的IQ分量作為輸入層的輸入數(shù)據(jù)先通過卷積層，膠囊層與門控循環(huán)單元層相結(jié)合的混合神經(jīng)網(wǎng)絡(luò)模型中的卷積層；在卷積層中，通過卷積神經(jīng)網(wǎng)絡(luò)將調(diào)制信號對應(yīng)的IQ分量和濾波器進行卷積，其中每個神經(jīng)元的輸入連接到上一層的局部接收域，提取局部特征信息，卷積操作后利用激活函數(shù)進行非線性映射，激活函數(shù)為線性整流函數(shù)Relu，實現(xiàn)從低級特征到高級特征的非線性映射；

利用膠囊層卷積層提取的特征信息進行維度的劃分，在維度上進行了擴展，將標(biāo)量特征轉(zhuǎn)化為矢量特征，學(xué)習(xí)到位置信息，；若調(diào)制信號有移位、旋轉(zhuǎn)、改變大小的變化，膠囊層將輸出相同長度但方向略有不同的向量，從而提升調(diào)制信號的分類性能。

2.一種利用權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的無線電信號調(diào)制識別網(wǎng)絡(luò)的實現(xiàn)方法，其特征在于包括下述步驟：

步驟一、構(gòu)建數(shù)據(jù)集，用于訓(xùn)練和測試所提出的網(wǎng)絡(luò)結(jié)構(gòu)；選取RML2016.04C作為基準(zhǔn)數(shù)據(jù)集用于驗證調(diào)制信號的分類精度，通過“留出法”將數(shù)據(jù)集按照7：3的比例分為訓(xùn)練集和測試集；

每個信號由128個I/Q樣本組成，選取信噪比范圍從-6dB到12dB，間隔為2dB；數(shù)據(jù)集包括11種調(diào)制信號，其中，8種數(shù)字信號由二進制相移鍵控、8相移鍵控、正交幅度調(diào)制16、正交幅度調(diào)制64、正交相移鍵控、高斯頻移鍵控、連續(xù)相頻移鍵控、脈沖幅度調(diào)制4組成，3種模擬信號由寬帶調(diào)頻、調(diào)幅單側(cè)頻帶、調(diào)幅雙側(cè)頻帶組成；

在訓(xùn)練集上訓(xùn)練出所提出的混合網(wǎng)絡(luò)模型后，用測試集評估所提出網(wǎng)絡(luò)的分類性能；

步驟二、卷積層提取標(biāo)量特征；

通過使用兩個2維卷積神經(jīng)網(wǎng)絡(luò)提取輸入信號的特征信息，得到信號的標(biāo)量空間特征；

步驟三、膠囊層抽取矢量空間特征；

對卷積層提取的標(biāo)量空間特征進行維度的擴展，將標(biāo)量空間特征轉(zhuǎn)化為矢量空間特征；膠囊網(wǎng)絡(luò)是由膠囊組成，膠囊是等變化；

步驟四、門控循環(huán)單元層提取時間特征；

將膠囊層提取的矢量空間特征輸入門控循環(huán)單元層，門控循環(huán)單元通過重置門和更新門實現(xiàn)長期記憶，用于提取信號中與時間相關(guān)的特征信息；

步驟五、輸出層進行分類；

根據(jù)數(shù)據(jù)集中調(diào)制信號的種類，建立全連接層，全連接層的每一個結(jié)點都與上一層的所有結(jié)點相連，用來將提取到的特征綜合起來進行分類。完成調(diào)制信號進行分類。

3.根據(jù)權(quán)利要求2所述的一種基于混合神經(jīng)網(wǎng)絡(luò)的無線電信號調(diào)制識別網(wǎng)絡(luò)的實現(xiàn)方法，其特征在于：

所述步驟二中，卷積層提取標(biāo)量特征的具體步驟為：

卷積層的核心是權(quán)值共享和局部感受野，局部感受野提取信號的局部特征信息，權(quán)值共享將調(diào)制信號對應(yīng)的IQ分量在進行卷積時使用相同的的局部感受野，其中，局部感受野只需要感受局部特征，然后將不同的局部特征信息累計相加得到全局特征信息；權(quán)值共享中，使用多種濾波器卷積圖像得到多種特征映射；權(quán)值共享是對圖像用同樣的卷積核進行卷積操作，即第一個隱藏層的所有神經(jīng)元所能檢測到處于圖像不同位置的完全相同的特征；

調(diào)制信號的IQ信息和濾波器進行卷積之后，提取調(diào)制信號IQ信息的局部特征信息，局部特征信息被提取之后，局部特征與其他特征的位置關(guān)系也隨之確定；網(wǎng)絡(luò)的每個計算層由多個特征映射組成，每個特征映射是一個平面，平面上所有神經(jīng)元的權(quán)值相等，特征映射結(jié)構(gòu)采用sigmoid函數(shù)作為卷積網(wǎng)絡(luò)的激活函數(shù)，由于一個映射面上的神經(jīng)元共享權(quán)值，采用整流線性函數(shù)Relu作為激活函數(shù)。