[發(fā)明專利]基于CNN-LSTM多支流結(jié)構(gòu)和多種信號(hào)表示的調(diào)制識(shí)別模型

在審

• 申請(qǐng)?zhí)枺?/td>: 202110649792.5
• 申請(qǐng)日: 2021-06-10
• 公開（公告）號(hào): CN113486724A
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計(jì)）人: 張承暢;徐余;余灑
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.本專利提出基于CNN-LSTM多支流結(jié)構(gòu)和多種信號(hào)表示的調(diào)制識(shí)別模型，該模型在低信噪比下能對(duì)公開數(shù)據(jù)集RML2016.10a實(shí)現(xiàn)較高的識(shí)別率。較前人的模型有著更加優(yōu)異的表現(xiàn)。本專利模型結(jié)構(gòu)主要包括以下步驟：

1)信號(hào)預(yù)處理：將公開數(shù)據(jù)集RML2016.10a里的時(shí)域信號(hào)處理成I/Q信號(hào)表示、A/φ信號(hào)表示、循環(huán)譜圖表示作為網(wǎng)絡(luò)模型的輸入；

2)構(gòu)建網(wǎng)絡(luò)：構(gòu)建基于CNN-LSTM的多支流網(wǎng)絡(luò)模型對(duì)調(diào)制方式進(jìn)行識(shí)別；

3)將I/Q信號(hào)表示送進(jìn)CNN-LSTM網(wǎng)絡(luò)模型的第一條支流中，讓模型學(xué)習(xí)特征；

4)將A/φ信號(hào)表示送進(jìn)CNN-LSTM網(wǎng)絡(luò)模型的第二條支流中，讓模型學(xué)習(xí)特征；

5)將循環(huán)譜圖表示送進(jìn)CNN-LSTM網(wǎng)絡(luò)模型的第三條支流中，讓模型學(xué)習(xí)特征；

6)將三條支流提取到的特征外積得到特征矩陣，然后通過flatten層將特征矩陣轉(zhuǎn)換為特征向量，最后利用基于softmax的神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行分類。

2.基于權(quán)利要求1中所述的信號(hào)預(yù)處理，指的是I/Q信號(hào)表示、A/φ信號(hào)表示、循環(huán)譜圖表示。前人所做的信號(hào)預(yù)處理只是單一類型，沒有考慮到不同信號(hào)表示能在不同層面反映調(diào)制信號(hào)的特性，本專利集合了三種信號(hào)表示，豐富了模型學(xué)習(xí)到的特征。三種信號(hào)表示為：

1)I/Q信號(hào)表示、A/φ信號(hào)表示

I/Q信號(hào)表示是指利用原始信號(hào)的同相和正交分量表征信號(hào)即r_j|→X_j^I/Q；A/φ信號(hào)表示是指采用基于原始信號(hào)的幅度和相位信息表示信號(hào)即r_j|→X_j^A/φ，相應(yīng)的轉(zhuǎn)換如下所示：

式中，X_I表示信號(hào)同相分量，X_Q表示信號(hào)正交分量，X_j^I/Q∈R^2×N。

式中，X_A表示信號(hào)幅度信息，X_φ表示攜帶信號(hào)相位信息，X_j^A/φ∈R^2×N。X_A和X_φ中的元素可以由下面的式子計(jì)算得到：

其中r_In和r_Qn分別表示信號(hào)同相分量和正交分量，如式(1)所示。

2)循環(huán)譜圖表示

信號(hào)x_t的自相關(guān)函數(shù)表示為：

R_x(t,w)＝E[x(t+w/2)]x^*(t-w/2) (5)

式中，w表示時(shí)延，R_x(t,w)是周期為P的周期函數(shù),R_x(t,w)做傅里葉變換可求得循環(huán)自相關(guān)函數(shù)

式中，α為循環(huán)頻率，當(dāng)且僅當(dāng)α＝l/p(l為整數(shù))時(shí)，R_x^α(w)≠0，對(duì)R_x^α(w)做傅里葉變換即可求得循環(huán)譜即：

式中，f表示頻譜頻率，α表示循環(huán)頻率。

3.基于權(quán)利要求1中所述的構(gòu)建基于CNN-LSTM的多支流網(wǎng)絡(luò)模型，其特征在于考慮了不同網(wǎng)絡(luò)模型之間的互補(bǔ)性，即CNN提取空間特征，LSTM提取時(shí)間特征，利用CNN和LSTM的組合結(jié)構(gòu)有效地提取信號(hào)在空間上和時(shí)間上的特征，以及通過不同特征之間的交互增加特征多樣性，從而提升調(diào)制識(shí)別準(zhǔn)確率。其中，第一、二條支流采用組合結(jié)構(gòu)，第三條支流采用CNN結(jié)構(gòu)。再將I/Q信號(hào)表示送進(jìn)CNN-LSTM網(wǎng)絡(luò)模型的第一條支流中，讓模型學(xué)習(xí)特征，將A/φ信號(hào)表示送進(jìn)CNN-LSTM網(wǎng)絡(luò)模型的第二條支流中，讓模型學(xué)習(xí)特征，將循環(huán)譜圖表示送進(jìn)CNN-LSTM網(wǎng)絡(luò)模型的第三條支流中，讓模型學(xué)習(xí)特征。

4.基于權(quán)利要求1中所述的將三條支流提取到的特征外積得到特征矩陣，然后通過flatten層將特征矩陣轉(zhuǎn)換為特征向量，最后利用基于softmax的神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行分類。

其特征在于，整合了三條支流學(xué)習(xí)到的特征，進(jìn)一步提高了特征多樣性，有利于提高調(diào)制識(shí)別的正確率，具體的整合方式為：

其中f₁表示支流1的特征函數(shù)，f₂表示支流2的特征函數(shù)，f₃表示支流3的特征函數(shù)，表示外積相乘。