[发明专利]CNN联合L1正则化的智能通信信号调制模式识别方法

权利要求书

1.一种CNN联合L1正则化的智能通信信号调制模式识别方法，具如下技术特征：采用将L1正则化替代池化级的处理方法，构造一个适用于处理通信信号调制识别的卷积神经网CNN，形成一个以卷积神经网络CNN框架联合L1正则化的四层LCN卷积神经网络；第一层LCN卷积神经网络首先将包含N类调制模式的原始信号样本按时序输入第一层LCN卷积神经网络，把包含N类调制模式的原始信号样本按时序输入第一层LCN卷积神经网络，提取低级特征，并保证原始信号的完整性；第一层LCN卷积神经网络首先将包含N类调制模式的原始信号样本按时序输入第一层LCN卷积神经网络,第一层LCN卷积神经网络中的第一级卷积基级，以N类调制模式混合的原始信号数据作为输入，选取大小为1*100的卷积核函数与之卷积，得到一组线性激活响应；第二级探测级将每一个激活响应与激活函数相乘，选取sigmod函数作为激活函数；第三级L1正则化级将相乘所得结果进入L1正则化级，进行L1线性正则化，为后面的LCN卷积神经网络迭代做铺垫；第二层将上一层的LCN卷积神经网络输出作为本层的输入，第二层LCN卷积神经网络的第一级卷积级对输入数据进行步幅卷积，以步幅为50的降采样形式的步幅卷积消除时序信息对特征的干扰，第三层LCN卷积神经网络将上一层LCN卷积神经网络的输出作为本层的输入，第三层LCN卷积神经网络中的第一级卷积级对上一层LCN卷积神经网络的输入数据进行步幅卷积，步幅为30；第三层LCN卷积神经网络的第二级L1正则化级将从第一级卷积级得到的结果进行L1正则化并输出新维度特征；，同时消除时序信息对提取出的特征的干扰；第四层作为全连接层，将第三层的输出作为本层的输入，把所有局部特征结合成全局特征，选用归一化指数函数softmax将多个神经元的输出，映射到（0,1）区间内，给出N类调制模式的概率，识别出信号调制类型。