[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡的QAM信號調制識別方法

有效

• 申請?zhí)枺?/td>: 202210928802.3
• 申請日: 2022-08-03
• 公開（公告）號: CN115314348B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設計）人: 王珂;王圣川;張俊;景亮;陽承毅
• 申請（專利權）人: 電信科學技術第五研究所有限公司
• 主分類號: H04L27/00
• 分類號: H04L27/00;H04L27/34;G06F18/213;G06F18/25;G06F18/241;G06N3/0464
• 代理公司: 北京天奇智新知識產(chǎn)權代理有限公司 11340
• 代理人: 王大剛

1.一種基于卷積神經(jīng)網(wǎng)絡的QAM信號調制識別方法，其特征在于：所述調制識別方法包括：

S1、獲取多種QAM信號和其他信號，其中，多種PSK信號生成數(shù)量為N，其他信號生成數(shù)量為3N，信號長度為L，并記錄保存信號類型；

S2、對接入的QAM信號的IQ數(shù)據(jù)進行處理，得到信號的星座圖數(shù)據(jù)、瞬時相位數(shù)據(jù)和一階頻譜數(shù)據(jù)；

S3、對切分好的IQ數(shù)據(jù)進行星座圖、瞬時相位和一階頻譜計算得到M個PSK信號預測樣本，并輸入到訓練好的多維三輸入卷積神經(jīng)網(wǎng)絡模型中對M個QAM信號預測樣本進行預測得到M個預測結果；

S4、對M個預測結果進行分析，選取預測最多的類型結果作為QAM信號的識別結果。

2.根據(jù)權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的QAM信號調制識別方法，其特征在于：所述多維三輸入卷積神經(jīng)網(wǎng)絡模型對輸入的三個數(shù)據(jù)進行預測包括：

對星座圖依次使用256、128、64、32個卷積核進行特征處理，并進行2*2的池化，得到尺寸為64*64*32的特征矩陣；對瞬時相位和一階頻譜依次使用512、256、128個卷積核進行特征處理，并進行1*2的池化，分別得到兩個尺寸為1*128*128的特征矩陣；

對三個特征矩陣進行平坦化后進行特征拼接，得到一個1*163840*1的特征矩陣，并對其依次使用64、32、16、8個卷積核進行特征處理，并進行1*2的池化，最后得到1*10240*8的特征矩陣；

將最后得到的特征矩陣通過平坦層并依次使用長度為1024和7的全連接層進行特征壓縮，得到預測結果。

3.根據(jù)權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的QAM信號調制識別方法，其特征在于：所述對接入的QAM信號的IQ數(shù)據(jù)進行處理，得到信號的星座圖數(shù)據(jù)、瞬時相位數(shù)據(jù)和一階頻譜數(shù)據(jù)包括：將IQ數(shù)據(jù)映射到正交平面得到星座圖，通過公式計算瞬時相位，通過公式F(t)＝FFT(I(t)+jQ(t))計算一階頻譜，其中，F(xiàn)FT為傅里葉變換，I(t)為I路數(shù)據(jù)，Q(t)為Q路數(shù)據(jù)。

4.根據(jù)權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的QAM信號調制識別方法，其特征在于：所述調制識別方法還包括多維三輸入卷積神經(jīng)網(wǎng)絡模型訓練步驟，具體包括：對接入的QAM信號IQ數(shù)據(jù)進行處理，得到信號的星座圖數(shù)據(jù)、瞬時相位數(shù)據(jù)和一階頻譜數(shù)據(jù)；使用QAM信號的星座圖、瞬時相位、一階頻譜數(shù)據(jù)和信號調制類型構建QAM數(shù)據(jù)集；使用QAM信號構建的數(shù)據(jù)集對多維三輸入卷積神經(jīng)網(wǎng)絡模型進行訓練，并在損失值收斂后停止訓練。