[發(fā)明專利]基于殘差收縮及雙向長短期記憶網(wǎng)絡(luò)的調(diào)制識別方法

在審

• 申請?zhí)枺?/td>: 202111593241.8
• 申請日: 2021-12-23
• 公開（公告）號: CN114239749A
• 公開（公告）日: 2022-03-25
• 發(fā)明（設(shè)計(jì)）人: 謝躍雷;肖瀟;許強(qiáng);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(quán)）人: 桂林電子科技大學(xué)
• 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(biāo)事務(wù)所有限責(zé)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(wǎng)絡(luò)的調(diào)制識別方法，其特征在于，包括如下步驟：

1)信號預(yù)處理：提取公開數(shù)據(jù)集RML2016.10a中的時域IQ信號，按信噪比和數(shù)據(jù)集中的11種信號進(jìn)行劃分，每個樣本包含128個采樣點(diǎn)，初始樣本維度為2×128，將維度轉(zhuǎn)換為128×2，轉(zhuǎn)換后數(shù)據(jù)集大小為220000×128×2，其中70％作為訓(xùn)練集，30％作為測試集，并標(biāo)注各樣本的調(diào)制類別標(biāo)簽；

2)構(gòu)建基于殘差收縮及雙向長短期記憶網(wǎng)絡(luò)訓(xùn)練模型：基于殘差收縮及雙向長短期記憶網(wǎng)絡(luò)訓(xùn)練模型設(shè)有卷積模塊、BiLSTM模塊、殘差收縮模塊以及輸出模塊，各模塊構(gòu)建及參數(shù)設(shè)置如下：

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

BiLSTM模塊設(shè)有兩個雙向長短期記憶網(wǎng)絡(luò)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(shè)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(shù)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(jié)構(gòu)與傳統(tǒng)殘差網(wǎng)絡(luò)種的殘差塊相同，采用軟閾值法對卷積后的特征進(jìn)行過濾，在第二卷積層處構(gòu)造一個閾值獲取子網(wǎng)絡(luò)，將傳統(tǒng)殘差模塊改進(jìn)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(shù)將接近于0的特征置為0，實(shí)現(xiàn)在濾除噪聲相關(guān)信息的同時保留有用的復(fù)數(shù)特征，軟閾值化后殘差項(xiàng)輸出為f(A^l)，將特征各通道下的數(shù)值與各通道對應(yīng)閾值進(jìn)行比較得到去噪結(jié)果，與殘差項(xiàng)f(A^l)相加即可得到最終輸出特征；

輸出模塊設(shè)有Batchnormalization層、Activation層、GlobalAveragePooling2D層，最后采用Dense層設(shè)置神經(jīng)元個數(shù)為11對應(yīng)11種調(diào)制類型、activation為softmax，采用庫函數(shù)Model設(shè)置輸出和輸入進(jìn)行網(wǎng)絡(luò)建立，Adam為梯度下降優(yōu)化算法，loss函數(shù)為交叉熵?fù)p失函數(shù)categorical_crossentropy如公式(2)所示；

其中，y為期望輸出，a為神經(jīng)元實(shí)際輸出；

3)訓(xùn)練網(wǎng)絡(luò)：對步驟2)構(gòu)建好的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練步驟如下：

3-1)訓(xùn)練集樣本經(jīng)步驟1)處理后以128×2的形式輸入網(wǎng)絡(luò)，batchsize為64，首先經(jīng)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(jìn)行記憶及篩選提取，經(jīng)過兩層BiLSTM網(wǎng)絡(luò)后得到特征輸出維度為60×50；

3-3)采用Reshape函數(shù)將步驟3-2)的輸出維度轉(zhuǎn)換為60×50×1后進(jìn)入殘差收縮模塊，經(jīng)殘差收縮模塊處理后得到特征輸出維度為60×50×60；

3-4)經(jīng)過輸出模塊將3D張量轉(zhuǎn)換為2D張量并由Dense層分為11個輸出神經(jīng)元；

3-5)epochs設(shè)置為100，采用提前中止機(jī)制，若迭代次數(shù)大于100或連續(xù)10次訓(xùn)練集loss值不下降則訓(xùn)練結(jié)束，保存權(quán)值數(shù)據(jù)；

4)采用以上訓(xùn)練好的殘差收縮及雙向長短期記憶網(wǎng)絡(luò)模型對數(shù)據(jù)進(jìn)行分類識別。