[发明专利]一种基于神经网络的多模态特征融合调制识别方法和系统

权利要求书

1.一种基于神经网络的多模态特征融合调制识别方法，其特征在于，包括：

步骤1：将待识别信号转换到预设模态域；

步骤2：利用预训练好的异构神经网络从待识别信号的不同模态域中提取特征向量；

步骤3：将异构神经网络从待识别信号的不同模态域中提取到的特征向量进行特征融合；

步骤4：利用预训练好的分类器对融合后的特征向量进行识别分类，分类器的输出作为最终的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述预设模态域包括时域、频域、时频域和循环频率域。

3.根据权利要求1所述的方法，其特征在于，所述异构神经网络包括：深度置信网络、自动编码网络和卷积神经网络。

4.根据权利要求1所述的方法，其特征在于，所述融合后的特征向量包含信号不同方面的调制特征。

5.根据权利要求1所述的方法，其特征在于，所述步骤3中，特征融合的方式分为前期融合和后期融合；所述前期融合指将异构神经网络提取的特征向量直接串联拼接，再利用分类器识别分类，对于长度相同的特征向量通过加权融合，形成新的维度不变的特征向量；后期融合是利用多个使用不同核函数的支持向量机对不同模态的特征向量融合分类。

6.根据权利要求1至5任一所述的方法，其特征在于，所述分类器包括BP神经网络分类器、支持向量机分类器和Softmax分类器。

7.根据权利要求1至5任一所述的方法，其特征在于，所述异构神经网络均在识别分类前训练完毕，所述异构神经网络的训练过程包括：

将训练集信号转换到预设模态域，所述训练集信号的信号调制类型是已知的；

根据所述训练集信号在不同模态域的表征形式，选择神经网络模型，利用每种模态域的训练集对相应的神经网络进行单独训练，得到所有神经网络模型的参数。

8.根据权利要求1至5任一所述的方法，其特征在于，所述分类器均在识别分类前训练完毕，所述分类器的训练过程包括：

将训练集信号转换到预设模态域，所述训练集信号的信号调制类型是已知的；

利用异构神经网络从训练集信号的不同模态域中提取特征矩阵，采用与待识别信号相同的特征融合方式对从训练集信号的不同模态域中提取到的特征矩阵进行特征融合，利用融合后的特征矩阵对分类器进行训练。

9.一种基于神经网络的多模态特征融合调制识别系统，其特征在于，包括：

多模态域转换单元，用于将待识别信号转换到预设模态域；

特征提取单元，用于利用预训练好的异构神经网络从待识别信号的不同模态域提取特征向量；

特征融合单元，用于将异构神经网络从待识别信号的不同模态域中提取到的特征向量进行特征融合；

识别分类单元，用于对融合后的特征向量进行识别分类，确定待识别信号的调制类型。

10.根据权利要求9所述的系统，其特征在于，所述识别分类单元为分类器，所述分类器包括BP神经网络分类器、支持向量机分类器和Softmax分类器。