[发明专利]基于深度学习的调制方式识别方法

权利要求书

1.一种基于深度学习的调制方式识别方法，其特征在于包括如下步骤：

(1)获取训练集和测试集：

(1a)设样本集中包含c×x个调制信号，调制信号的信噪比取值范围为(a,d)，相邻信噪比之间的间隔为s，信噪比的个数为(d-a)/s+1，其中，c为调制方式的种类数，c≥2，x为每种调制方式包含的调制信号的个数，x≥1000，a＜-5，d＞10；

(1b)对每个调制信号进行N点采样，得到c×x个长度均为N的采样信号，并对每个采样信号进行归一化，得到c×x个长度均为N的样本信号，N≥128；

(1c)将提取的每个样本信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H，并采用独热编码方法对每个样本信号对应的调制方式进行编码，得到样本标签；

(1d)将70％的样本信号的样本数据H和样本标签作为训练集train-0，剩余的样本数据H和样本标签作为测试集test-0；

(2)搭建神经网络NNs：

搭建包括输入层、隐藏层和输出层的神经网络NNs，该NNs的代价函数为交叉熵损失函数，输出层为Softmax层，输出层神经元的个数与调制方式的种类数c相等；

(3)基于信噪比对神经网络NNs进行分段训练：

(3a)通过训练集train-0对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-0；

(3b)将测试集test-0输入model-0中进行识别准确率评估，得到(d-a)/s+1个识别准确率，并通过每个识别准确率与测试集test-0中样本数据H对应的调制信号的每个信噪比绘制model-0的性能曲线A-S；

(3c)性能曲线A-S上每个识别准确率h与左相邻的识别准确率h_pre相比，变化幅度h1，以及与右相邻的识别准确率相比，变化幅度h2,并记录当h＞50％,h_pre＜50％或者h1＞k2,h2＜k3或者h1＜k4,h2＞k5时各识别准确率h对应的信噪比，得到SNR₁...SNR_m，其中，k2≥3％，k3≤3％，k4≤2％，k5≥2％，m≥1，a＜SNR₁...＜SNR_m＜d，并判断m＞1是否成立，若是，执行步骤(3d)，否则，执行步骤(3e)；

(3d)分别提取训练集train-0中与信噪比在(SNR₁,d)...(SNR_m,d)区间的调制信号对应的样本数据H和样本标签，组成训练集train-1...train-m，并用train-1...train-m分别对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-1...model-m；

(3e)提取训练集train-0中与信噪比在(SNR₁,d)区间的调制信号对应的样本数据H和样本标签，组成训练集train-1′，并用train-1′对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model-1′；

(4)对待测调制信号的调制方式进行识别：

(4a)对待测调制信号进行N点采样，得到长度为N的采样信号，并对采样信号进行归一化，得到长度为N的归一化信号，然后对提取的归一化信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H′；

(4b)采用最大似然算法对待测调制信号的信噪比进行估计，得到估计值snr，并根据snr与性能曲线A-S上信噪比的关系，选取对待测调制信号的调制方式进行识别适用的训练好的神经网络：

当snr∈(SNR₁,d)，且m＝1，选取训练好的神经网络model-1′；

当snr∈(SNR_i,SNR_i+1)，且m＞1，选取训练好的神经网络model-i，其中，i＝1...m-1；

当snr∈(SNR_m,d)，且m＞1，选取训练好的神经网络model-m；

(4c)将样本数据H′输入至步骤(4b)所选取的训练好的神经网络中，得到待测调制信号的调制方式。

2.根据权利要求1所述的基于深度学习的调制方式的识别方法，其特征在于：步骤(1c)中所述的样本数据H，实现步骤为：

(1c1)设样本信号为R，R＝[r₁,r₂,...r_n...r_N]，r_n表示第n个点，r_n＝x_n+jy_n，x_n表示r_n的实部，y_n表示r_n的虚部，j表示虚数单位，N表示样本信号对应的调制信号的采样点数；

(1c2)计算样本信号R每个点r_n的瞬时幅度特征A_n和瞬时相位特征θ_n，得到N个点的瞬时幅度特征A＝[A₁,A₂,...A_n...A_N]和N个点的瞬时相位特征θ＝[θ₁,θ₂,...θ_i...θ_N]，其中：

(1c3)将A和θ并行排列，得到维度为2×N的样本数据H，