[发明专利]一种喷泉码识别模型的训练方法、装置及识别方法

权利要求书

1.一种喷泉码识别模型的训练方法，其特征在于，包括：

获取喷泉码样本集，所述喷泉码样本集中包含使用喷泉码编码的样本以及不使用喷泉码编码的样本；

将所述喷泉码样本集输入预设的第一模型进行训练，获得第一目标模型，其中，所述第一模型为神经网络模型；其中，包括：将所述喷泉码样本集中的训练样本输入到所述第一模型进行训练；根据所述喷泉码样本集中的测试样本，确定经过训练的所述第一模型的准确率是否符合预设值；若是，则将经过训练的所述第一模型作为所述第一目标模型；

对所述喷泉码样本集进行调制，获得调制方式样本集；

将所述调制方式样本集输入预设的第二模型进行训练，获得第二目标模型，其中，所述第二模型为神经网络模型；

将所述第一目标模型与所述第二目标模型，构建为喷泉码识别模型；其中，所述第二目标模型用于识别IQ数据的调制方式；所述第一目标模型用于识别原始编码数据中的喷泉码，所述原始编码数据为采用所述第二目标模型识别出的解调方式对所述IQ数据进行解调获得的数据。

2.根据权利要求1所述的方法，其特征在于，所述获取喷泉码样本集，包括：

获取喷泉码数据集；

对所述喷泉码数据集中采用喷泉码编码的样本，标记第一标记；

对所述喷泉码数据集中未采用喷泉码编码的样本，标记第二标记；

将标记过所述第一标记以及所述第二标记的喷泉码数据集，作为喷泉码样本集。

3.根据权利要求1所述的方法，其特征在于，所述对所述喷泉码样本集进行调制，获得调制方式样本集，包括：

对所述喷泉码样本集中的每个数据均按照多种调制方式以及多种信噪比进行调制，获得调制方式数据集；

为所述调制方式数据集中的每个数据添加对应的调制方式标签，获得所述调制方式样本集。

4.根据权利要求1所述的方法，其特征在于，所述第一模型与所述第二模型均为深度残差网络模型。

5.根据权利要求4所述的方法，其特征在于，所述将所述喷泉码样本集输入预设的第一模型进行训练，获得第一目标模型，包括：

将所述喷泉码样本集中的训练样本输入到所述第一模型进行训练；

根据所述喷泉码样本集中的测试样本，确定经过训练的所述第一模型的准确率是否符合预设值；

若否，则对所述第一模型的卷积核的阶数以及inception层数进行调整，并继续将所述喷泉码样本集中的训练样本输入到调整后的所述第一模型进行训练；直至经过训练的所述第一模型的准确率符合预设值，获得所述第一目标模型。

6.根据权利要求1所述的方法，其特征在于，所述喷泉码样本集中的使用喷泉码编码的样本为50％；所述喷泉码样本集中的不使用喷泉码编码的样本为50％。

7.一种喷泉码识别模型的训练装置，其特征在于，包括：

喷泉码样本集获取模块，用于获取喷泉码样本集，所述喷泉码样本集中包含使用喷泉码编码的样本以及不使用喷泉码编码的样本；

第一训练模块，用于将所述喷泉码样本集输入预设的第一模型进行训练，获得第一目标模型，其中，所述第一模型为神经网络模型；还具体用于：将所述喷泉码样本集中的训练样本输入到所述第一模型进行训练；根据所述喷泉码样本集中的测试样本，确定经过训练的所述第一模型的准确率是否符合预设值；若是，则将经过训练的所述第一模型作为所述第一目标模型；

调制方式样本集获取模块，用于对所述喷泉码样本集进行调制，获得调制方式样本集；

第二训练模块，用于将所述调制方式样本集输入预设的第二模型进行训练，获得第二目标模型，其中，所述第二模型为神经网络模型；

识别模型构建模块，用于将所述第一目标模型与所述第二目标模型，构建为喷泉码识别模型；其中，所述第二目标模型用于识别IQ数据的调制方式；所述第一目标模型用于识别原始编码数据中的喷泉码，所述原始编码数据为采用所述第二目标模型识别出的解调方式对所述IQ数据进行解调获得的数据。