[发明专利]基于门控循环单元深度网络的智能时序信号分类方法

说明书

本发明公开一种基于门控循环单元深度网络的智能时序信号分类方法，其实现步骤为：(1)构建编码调制联合时序信号；(2)生成训练样本集和测试样本集；(3)搭建门控循环单元深度网络模型；(4)设置门控循环单元深度网络的参数；(5)训练门控循环单元深度网络模型；(6)获得分类准确率。本发明不需要人工特征提取和大量先验知识，可以对一维信号进行自动的特征提取和准确的信号分类，具有复杂度低，分类结果准确、稳定等优点，可用于军事和民用通信领域中。

技术领域

本发明属于通信技术领域，更进一步涉及信号处理技术领域一种基于门控循环单元深度网络的智能时序信号分类方法。本发明可以自动提取无线电时序信号的特征并通过门控循环单元进行编码和调制等方式的分类，使无线电信号分类具有更高程度的自动化和智能化。

背景技术

无线电信号分类技术在通信系统中具有重要作用。在军事通信对抗领域，一般需要对敌方通信进行干扰和侦听，无线电信号调制方式识别分类是进行干扰和侦听首先要面对的难题。在民用通信领域，无线电频谱监测和管理、信号的确认以及干扰识别等工作都需要信号识别技术。目前基于传统分类方法的数字信号调制方式识别分类能在给定测试信号上达到令人满意的分类率。但是随着科技的快速发展，电磁环境的复杂度提高，信号种类和干扰增多，使现有传统的人工特征提取和信号分类技术难以满足目前无线电监测工作的需要，另一方面，现有信号分类方法大都对信号进行截断，没有考虑到时序信号的时间相关性，无法充分发掘信号的长时间特征进行分类，存在识别能力有限，模型较为复杂，同时方法鲁棒性不高并且在复杂通信环境下受干扰影响较大等缺点。该技术针对一维时序无线电通信信号，设计了门控循环单元深度网络，实现对多种无线电信号的自动特征提取和调制方式与信道编码方式分类。

佛山科学技术学院在其申请的专利文献“无线通信高精度信号识别及波特率参数估计的方法”(申请号201710434196.9，申请公布号CN 107360110 A)中，公开了一种无线通信高精度信号识别及波特率参数估计的方法。该方法包括识别步骤和波特率参数估计的步骤；其中，所述识别步骤具体为：将待测信号进行高阶累积量处理，提取待测信号的特征参数；对支持向量机SVM中心载频识别算法程序进行优化处理；将所述特征参数进行优化处理后输入支持向量机SVM中进行调制分类识别训练；所述波特率参数估计的步骤具体为：对识别步骤的待测信号通过信号复包络平方谱特征参数进行波特率参数估计。该方法存在的不足之处是：该方法虽然提出了一种通信信号识别方法，但是需要对待测信号要进行信号进行截断和高阶累积量处理，并且在进行信号特征提取时需要大量的先验知识，在特征提取是人为因素影响很大。

成都蓝色起源科技有限公司在其申请的专利文献“基于深度学习模型的无线电信号识别方法及其实现系统”(申请号201710284093.9，申请公布号CN 107122738 A)中公开了基于深度学习模型的无线电信号识别方法及其实现系统。该无线电信号识别方法是通过机器学习的方式来实现对信号特征的提取和实时检测，即是利用深度学习模型来对经STFT转换得到的信号时频图进行训练和分类识别，可以最大可能地利用更多的信号特征，实现短突发及弱信号的探测。同时由于是将信号检测问题转换为图像分类识别问题，并利用深度学习方法来信号的分类检测，因此不需要针对特定信号进行专用设计，具备通用性，便于实际推广和应用。该方法虽然提出了一种基于深度学习模型的无线电信号识别方法及其实现系统，但是，该方法仍然存在的不足之处是：模型复杂，必须先对信号进行时频域变换后才能进行后续处理的问题。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于门控循环单元深度网络的智能时序信号分类方法。

实现本发明目的的具体思路是，利用门控循环单元深度网络实现对无线电信号的智能分类方法。该算法能降低传统调制分类方法在特征提取时人为，因素的影响，同时信号分类中能够达到较高的分类率，可以将不同类型调制方式与信道编码方式的无线电信号进行分类。

实现本发明目的的具体步骤包括如下：

(1)构建编码调制联合时序信号：