[发明专利]基于卷积循环网络的信号调制识别系统及调制识别方法

权利要求书

1.一种基于卷积循环网络的信号调制识别系统，其特征在于，包括所述深度卷积网络包括3个卷积层、双向长短时记忆模型、注意力神经网络、全连接层和输出层；

所述3个卷积层、双向长短时记忆模型、注意力神经网络、全连接层和输出层以通信连接的方式依次顺序级联。

2.一种基于卷积循环网络的信号调制识别系统的调制识别方法，其特征在于，包括以下步骤：

步骤1，首先将接收的数字信号的I分量和Q分量的原始数据作为输入数据；设计深度卷积网络对所述输入数据提取特征，拓展I分量的维度和Q分量的维度来增加特征的丰富性，压缩时间维度降低分类的时间成本开销；

步骤2，然后在时间维度引入多层循环网络结构提取时序信息，也即矢量序列，所述循环网络结构选取具有上下文长时间建模能力的双向长短时记忆模型；

步骤3，对双向长短时记忆模型BLSTM的作为输出信息的时序信息通过注意力神经网络Attention Network层引入注意力机制，将矢量序列自适应加权得到单个矢量输出；

步骤4，所述矢量输出通过级联的全连接层和输出层，输出各调制种类的概率值，完成调制识别；

步骤5，确定深度卷积网络初始化参数，结合Keras深度学习框架，调用已有网络层函数，搭建深层网络结构；利用训练集进行网络训练，并采用Early-stop策略，防止过拟合现象；

步骤6，在网络训练完成后，再利用测试数据集验证训练效果，完成信号自动调制识别。

3.根据权利要求2所述的基于卷积循环网络的信号调制识别系统的调制识别方法，其特征在于，所述步骤1中的将接收的数字信号的I分量和Q分量的原始数据作为输入数据，包括：

首先将接收到的数字信号表示成二维数组的形式，该二维数组为2*128的数组，即2行128列的数组，其中2表示有存放数字信号的I分量的I通道和存放数字信号的Q分量的Q通道这两个通道，128表示每个通道中存放有128个作为采样点的数字信号的分量；

所述步骤1中的设计深度卷积网络对所述输入数据提取特征，包括：

设计的所述深度卷积网络中包括3个卷积层，每个卷积层具有128个大小为(2，3)的卷积核，其步长为(1，2)，激活函数为ReLU函数；

这样通过所述3个卷积层对所述输入数据进行卷积运算来提取出特征；

所述步骤1中的拓展I分量的维度和Q分量的维度来增加特征的丰富性，压缩时间维度降低分类的时间成本开销，包括：

将卷积运算所得的特征拉伸成矢量，保留时间维度。

4.根据权利要求2所述的基于卷积循环网络的信号调制识别系统的调制识别方法，其特征在于，所述步骤2中的双向长短时记忆模型为含有128个长短时记忆单元的双向长短时记忆网络层。

5.根据权利要求2所述的基于卷积循环网络的信号调制识别系统的调制识别方法，其特征在于，所述步骤3中的所述注意力神经网络Attention Network层用于将双向长短时记忆模型BLSTM输出的矢量序列转化成矢量。

6.根据权利要求2所述的基于卷积循环网络的信号调制识别系统的调制识别方法，其特征在于，所述步骤4中的所述全连接层为含有128个单元的全连接层，其激活函数为ReLU函数；

所述步骤4中的输出层的激活函数为Softmax函数，所述输出层的单元数为调制类别数，该调制类别数此处能够为11。