[发明专利]基于卷积神经网络的调制信号识别方法

说明书

本发明属于通信信号识别领域，为提出高效可持续的信号识别模型，无需手工提取信号特征。在不同的信噪比下，有很好的识别性能。本发明，基于卷积神经网络的调制信号识别方法，步骤如下：(1)训练一个鲁棒的三层卷积神经网络模型；(2)使用软件无线电平台产生调制信号数据集，产生数据集时注意数据的完备性，避免模型过拟合；(3)构建训练数据集和测试数据集，并且随机调整数据集的顺序保证模型的鲁棒性，训练模型并且保存模型结构和参数；(4)采集信号，加载(3)中保存的模型即能够完成信号的自动识别，基于此可构建实时的信号认知系统。本发明主要应用于通信信号识别场合。

技术领域

本发明属于通信信号识别领域，深度学习领域，设计了一种基于卷积神经网络的信号识别模型。

背景技术

国家战略研究报告指出，我国是一个资源严重短缺和环境污染严重的发展中国家，未来技术的发展必须要面对资源和能耗的约束。因此超前部署、开展相关应对未来发展瓶颈的理论和技术研究已成为重大需求。复杂异构的电磁环境，为信号处理带来巨大的挑战，迫切需要发展军民融合特殊应用、公众系统与专用系统相结合的技术，以有效提高频谱利用效率、改善环境、协同共存。在通信领域，通过对通信信号的识别和分析处理，能够对接下来的信息处理与应用提供更多的信息，在军事侦察、电子对抗、无线网络安全等方面具有非常重要的意义。

通信信号的调制方式是其较为重要的一项技术特征，识别通信信号调制类型将为信号的进一步分析处理提供依据。在非协作通信中，信号调制模式识别作为信号检测和信号解调的中间步骤，是信号分析处理的关键一步。随着通信技术的日益发展，通信信号的种类越来越多样，信号环境也越来越复杂。因此找到一种高效可持续的自动信号识别技术成为研究热点。

深度学习是机器学习研究的一个新的领域，它模仿人脑的机制来对数据进行解释，在语言识别和计算机识别等多个应用领域的研究中取得了突破性的进展。将深度学习与通信信号识别结合起来，使得信号检测设备能够自适应的学习和识别出接收到信号的调制模式，对提高通信信号识别效率，增加其稳定性，提高信息处理速率以及国防军事水平有着重要的作用。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性。

卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN(卷积神经网络)的一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化(pooling)，通常有均值子采样(meanpooling)和最大值子采样(max pooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。

发明内容

为克服现有技术的不足，本发明旨在提出高效可持续的信号识别模型，基于卷积神经网络强大的特征提取能力，利用原始实部虚部IQ数据训练一个鲁棒的三层卷积神经网络模型，无需手工提取信号特征。在不同的信噪比下，有很好的识别性能。为此，本发明通过采用如下技术方案得以实现，基于卷积神经网络的调制信号识别方法，步骤如下：

(1)基于卷积神经网络强大的特征提取能力，利用原始实部虚部IQ数据训练一个鲁棒的三层卷积神经网络模型，选择包括卷积核、激活函数和目标函数的合适的超参数，以得到优选的网络模型和参数更新策略；

(2)使用软件无线电平台产生调制信号数据集，产生数据集时注意数据的完备性，避免模型过拟合；

(3)构建训练数据集和测试数据集，并且随机调整数据集的顺序保证模型的鲁棒性，训练模型并且保存模型结构和参数；