[发明专利]一种基于ResNet-SVM的调制方式识别方法及系统

权利要求书

1.一种基于ResNet-SVM的调制方式识别方法，其特征在于，包括以下步骤：

对已调信号进行FAM循环谱估计，得到循环谱平面特征图；

利用ResNet和PCA来提取循环谱特征；

结合非线性SVM分类算法，得到分类结果；

所述对已调信号进行FAM循环谱估计，得到循环谱平面特征图具体为：对输入的已调信号做循环谱估计，生成三维循环谱图，截取等高平面图并对其做裁剪、二值化操作，最后输出循环谱平面特征图；

截取等高平面图并对其做裁剪、二值化操作，最后输出循环谱平面特征图具体为：分别以循环频率和分辨频率为平面坐标，截取等高平面图，然后去除边缘信息，将平面图裁剪为48*48尺寸的图像，与ResNet网络的输入层相匹配，通过二值化形态学操作去除冗余信息，得到循环谱平面特征图；

其中，在循环谱预处理模块中，对已调信号做循环谱分析；其循环自相关函数如下：

则循环谱为：

式中，T表示周期，r(t)表示接收到的含噪已调信号，r^*(t-τ)表示r(t)延时τ后的信号的共轭，a表示循环频率，f表示频谱频率；

采用FAM算法做循环谱估计，计算方法如下：

其中，X_T(n,f)为循环周期图，表达式为：

式中，q＝-P/2,...,P/2-1，p表示滑动次数，a(n)和g(n)分别为数据衰减窗和平滑窗，L为抽取因子，表示每次滑动的数据点数，总的采样点数为N，取L＝N'/4； f_j表示第j个谱频率，α₀表示第1个循环频率，Δα表示循环频率的分辨率，X*_T(rL,f_l)表示X_T(rL,f_l)的共轭；采样点数N＝2048，平滑窗M＝64，输入信道数N'＝N/M，N＝LP，截取N点加噪已调信号，取NP＝(P-1)*L+N'，将信号延伸至NP点，超过N的部分取0，构造N'行，NP/N'列的矩阵X0，将NP点的数据中1到N'存入X0的第一列，L+1到L+N'的值存入X0的第二列，每次偏移L，每段N'点，以此类推直至存满N'行，NP/N'列； 最后对X0加长度为N'的kaiser窗，减少频率泄漏； 并对加窗后的矩阵做傅里叶变换，将傅里叶变换后的矩阵上半块和下半块互换，左半块和右半块互换； 将变换后的结果做下变频，得到X1，降低载波频率；然后将X1转置、取共轭得到X2，取X2的每一列分别与其共轭的每一列做乘积计算，得到X3，得到P行，N'*N'列的矩阵X4，接着对X4做傅里叶变换，并互换上半块和下半块，左半块和右半块，得到X5，取出X5的P/4到3*P/4行，所有列，得到的矩阵再取绝对值，得到X6即为循环谱，并分别以循环频率和分辨频率为平面坐标，截取等高平面图，然后去除边缘信息，将该平面图裁剪为48*48尺寸的图像，与搭建的57层ResNet网络输入层相匹配，通过二值化形态学操作去除冗余信息，突显主要特征，最终，输出循环谱平面特征图；

所述利用ResNet和PCA来提取循环谱特征具体为：使用带有残差单元的残差网络ResNet来提取循环谱平面特征图的多维特征值；采用基于SVD分解协方差矩阵的方法来实现PCA技术，对ResNet输出的多维特征值进行降维，进一步提取特征值，得到低维的循环谱特征；

所述采用基于SVD分解协方差矩阵的方法来实现PCA技术，对ResNet输出的多维特征值进行降维具体包括以下步骤：

步骤S11：计算协方差矩阵：

式中，X为由ResNet提取到的多维特征值经标准化处理后的结果，m为特征矩阵X的行数；

步骤S12：对计算后的协方差矩阵做SVD分解，计算特征值和特征向量；

步骤S13：经SVD分解后得到的对角矩阵形式的奇异值对角线上的数值相加记录总和，计算前k个对角矩阵上的值的和，直至累积到预设的值，将其对应的k个特征向量分别作为列向量组成特征向量矩阵；k即为降维后的维度；

步骤S14：将数据转换到k个特征向量构建的新空间中，得到PCA降维后的特征值。