[發(fā)明專利]基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110386946.6
• 申請(qǐng)日: 2021-04-12
• 公開(kāi)（公告）號(hào): CN113111772A
• 公開(kāi)（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 李建清;張瑾;李紅麗;王姣;黃浩;王宏
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08;G06F30/20;H04L1/00
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別方法，其特征在于，包括以下步驟：

S1、使用MATLAB生成具有不同信道編碼結(jié)構(gòu)的信號(hào)樣本；

S2、構(gòu)造一維多核并行結(jié)構(gòu)；

S3、構(gòu)建基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別網(wǎng)絡(luò)模型；

S4、設(shè)置訓(xùn)練基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別網(wǎng)絡(luò)模型的超參數(shù)；

S5、將訓(xùn)練集輸入基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別網(wǎng)絡(luò)，訓(xùn)練基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別網(wǎng)絡(luò)模型的參數(shù)，從而獲得基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別網(wǎng)絡(luò)模型的最終形式。

2.根據(jù)權(quán)利要求1所述的基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別方法，其特征在于，所述步驟S1包括以下子步驟：

S11、使用MATLAB生成用于訓(xùn)練的具有不同信道編碼結(jié)構(gòu)的信號(hào)樣本，分別是只進(jìn)行信道編碼的信號(hào)，進(jìn)行信道編碼和交織的信號(hào)以及在編碼交織基礎(chǔ)上加擾的信號(hào)；

S12、對(duì)信號(hào)樣本采用統(tǒng)一的調(diào)制方式BPSK進(jìn)行調(diào)制，然后經(jīng)過(guò)加性高斯白噪聲信道，最后解調(diào)，輸出得到的比特序列。

3.根據(jù)權(quán)利要求1所述的基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別方法，其特征在于，所述步驟S2包括以下子步驟：

S21、一維多核并行結(jié)構(gòu)并行三個(gè)卷積層和一個(gè)最大池化層，其中卷積層分別使用1×1、1×3、1×5的卷積核；

S22、在1×3、1×5的卷積層和最大池化層前分別添加1×1的卷積。

4.根據(jù)權(quán)利要求1所述的基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別方法，其特征在于，所述基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別網(wǎng)絡(luò)模型的具體結(jié)構(gòu)為：

第一層包括“same”卷積層、Batch Normalization層和ReLU激活函數(shù)層，輸入為編碼后的信息比特，神經(jīng)元個(gè)數(shù)為64，卷積核的大小為1×7；

第二層包括“same”積層、Batch Normalization層和ReLU激活函數(shù)層，步長(zhǎng)設(shè)置為1，神經(jīng)元個(gè)數(shù)128，卷積核的大小為1×10；

第三層采用步長(zhǎng)為2的最大池化層，使信號(hào)長(zhǎng)度縮減為輸入信號(hào)長(zhǎng)度的1/2；

第四層采用一維多核并行結(jié)構(gòu)；

第五層采用步長(zhǎng)為2的最大池化層，使信號(hào)長(zhǎng)度縮減為輸入信號(hào)長(zhǎng)度的1/4；

第六層采用一維多核并行結(jié)構(gòu)；

第七層采用步長(zhǎng)為2的最大池化層，使信號(hào)長(zhǎng)度縮減為輸入信號(hào)長(zhǎng)度的1/8；

第八層采用一維多核并行結(jié)構(gòu)；

第九層采用步長(zhǎng)為2的最大池化層，使信號(hào)長(zhǎng)度縮減為輸入信號(hào)長(zhǎng)度的1/16；

第十層為Dropout層，參數(shù)設(shè)置為0.3；

第十一層包括“same”卷積層、Batch Normalization層和ReLU激活函數(shù)層，神經(jīng)元個(gè)數(shù)為128，卷積核的大小為1×3；

第十二層采用步長(zhǎng)為2的最大池化層，使信號(hào)長(zhǎng)度縮減為輸入信號(hào)長(zhǎng)度的1/16；

第十三層為全局平均池化層；

第十四層為全連接層，神經(jīng)元個(gè)數(shù)為128，采用ReLU函數(shù)作為激活函數(shù)層；

第十五層為Dropout層，參數(shù)設(shè)置為0.3；

第十六層為全連接層，神經(jīng)元個(gè)數(shù)為64，采用ReLU函數(shù)作為激活函數(shù)層；

第十七層為全連接層，神經(jīng)元個(gè)數(shù)為需進(jìn)行編碼結(jié)構(gòu)識(shí)別的類型個(gè)數(shù)，采用Softmax函數(shù)作為激活函數(shù)層。

5.根據(jù)權(quán)利要求1所述的基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別方法，其特征在于，所述步驟S4設(shè)置的具體參數(shù)為：網(wǎng)絡(luò)優(yōu)化器選擇Adam，其初始學(xué)習(xí)率設(shè)置為0.002；訓(xùn)練時(shí)每次輸入網(wǎng)絡(luò)的樣本數(shù)量batch_size設(shè)置為16，每一輪迭代的最大批訓(xùn)練次數(shù)設(shè)為3000，訓(xùn)練的最大迭代次數(shù)為100，初始迭代次數(shù)為1。

6.根據(jù)權(quán)利要求1所述的基于一維多核并行結(jié)構(gòu)的信道編碼結(jié)構(gòu)識(shí)別方法，其特征在于，所述步驟S5的具體實(shí)現(xiàn)方法為：

S51、將信號(hào)樣本輸入卷積神經(jīng)網(wǎng)絡(luò)中；

S52、訓(xùn)練該卷積神經(jīng)網(wǎng)絡(luò)，當(dāng)訓(xùn)練次數(shù)達(dá)到設(shè)置的最大迭代次數(shù)時(shí)停止訓(xùn)練，得到最優(yōu)網(wǎng)絡(luò)參數(shù)。