[發明專利]基于殘差收縮及雙向長短期記憶網絡的調制識別方法

在審

• 申請號: 202111593241.8
• 申請日: 2021-12-23
• 公開（公告）號: CN114239749A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 謝躍雷;肖瀟;許強;鄧涵方;曾浩南;謝星麗;王勝;梁文斌;蔣俊正;歐陽繕;廖桂生
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 羅玉榮

1.一種基于殘差收縮及雙向長短期記憶網絡的調制識別方法，其特征在于，包括如下步驟：

1)信號預處理：提取公開數據集RML2016.10a中的時域IQ信號，按信噪比和數據集中的11種信號進行劃分，每個樣本包含128個采樣點，初始樣本維度為2×128，將維度轉換為128×2，轉換后數據集大小為220000×128×2，其中70％作為訓練集，30％作為測試集，并標注各樣本的調制類別標簽；

2)構建基于殘差收縮及雙向長短期記憶網絡訓練模型：基于殘差收縮及雙向長短期記憶網絡訓練模型設有卷積模塊、BiLSTM模塊、殘差收縮模塊以及輸出模塊，各模塊構建及參數設置如下：

卷積模塊設有一維卷積層Conv1D以及池化層MaxPool1D，Conv1D的卷積核個數為64、卷積核尺寸為8、激活函數為relu；

BiLSTM模塊設有兩個雙向長短期記憶網絡BiLSTM，輸入序列維度均為50，并連接Dropout層、Dropout率為0.5；

殘差收縮模塊設有第一卷積層Conv2D、第二卷積層Conv2D，第一卷積層Conv2D和第二卷積層Conv2D的卷積核個數均為50、尺寸為3×3、步長為2，第一卷積層Conv2D和第二卷積層Conv2D的特征傳遞及處理結構與傳統殘差網絡種的殘差塊相同，采用軟閾值法對卷積后的特征進行過濾，在第二卷積層處構造一個閾值獲取子網絡，將傳統殘差模塊改進為殘差收縮模塊，軟閾值化如公式(1)所示：

公式(1)中，x表示輸入特征，y表示輸出特征，α為閾值，軟閾值函數將接近于0的特征置為0，實現在濾除噪聲相關信息的同時保留有用的復數特征，軟閾值化后殘差項輸出為f(A^l)，將特征各通道下的數值與各通道對應閾值進行比較得到去噪結果，與殘差項f(A^l)相加即可得到最終輸出特征；

輸出模塊設有Batchnormalization層、Activation層、GlobalAveragePooling2D層，最后采用Dense層設置神經元個數為11對應11種調制類型、activation為softmax，采用庫函數Model設置輸出和輸入進行網絡建立，Adam為梯度下降優化算法，loss函數為交叉熵損失函數categorical_crossentropy如公式(2)所示；

其中，y為期望輸出，a為神經元實際輸出；

3)訓練網絡：對步驟2)構建好的網絡模型進行訓練，訓練步驟如下：

3-1)訓練集樣本經步驟1)處理后以128×2的形式輸入網絡，batchsize為64，首先經過卷積模塊提取特征并池化后輸出維度121×64；

3-2)BiLSTM模塊將步驟3-1)提取的特征進行記憶及篩選提取，經過兩層BiLSTM網絡后得到特征輸出維度為60×50；

3-3)采用Reshape函數將步驟3-2)的輸出維度轉換為60×50×1后進入殘差收縮模塊，經殘差收縮模塊處理后得到特征輸出維度為60×50×60；

3-4)經過輸出模塊將3D張量轉換為2D張量并由Dense層分為11個輸出神經元；

3-5)epochs設置為100，采用提前中止機制，若迭代次數大于100或連續10次訓練集loss值不下降則訓練結束，保存權值數據；

4)采用以上訓練好的殘差收縮及雙向長短期記憶網絡模型對數據進行分類識別。