[发明专利]一种基于时空特征提取深度学习的调制模式识别方法

权利要求书

1.一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，包括以下步骤：

S1、收集待识别调制模式的信号；

S2、构建包括参数估计模块、参数变换模块和时空特征提取模块的自动调制识别深度学习模型，并对其进行训练，包括以下分步骤：

S21、选取基准数据集，并设置相关训练参数；

S22、将基准数据集中的原始数据y输入参数估计模块，进行原始数据的参数估计，得到参数估计数据ω，包括以下分步骤：

S221、将基准数据集中的数据作为输入数据，将其I/Q数据形式分为I路和Q路，分别输入到参数估计模块的两个结构和参数相同的通道中；

S222、将数据输入参数设置与数据序列相同的全连接层，对每一个信号数据进行参数估计，得到I路初始参数估计数据ω₁₀和Q路初始参数估计数据ω₂₀；

S223、将步骤S222得到的数据ω₁₀和ω₂₀输入激活函数层和Dropout层，得到I路参数估计数据ω₁和Q路参数估计数据ω₂；

S224、对通过激活函数层和Dropout层后的数据ω₁和ω₂进行数据拼接和维度变换，得到参数估计数据ω；

S23、将步骤S22得到的参数估计数据ω输入参数变换模块，进行参数变换，得到参数变换后的数据

S24、将步骤S23参数变换后的数据输入时空特征提取模块，进行数据的时空特征提取，并自动识别信号的调制模式；

S25、根据步骤S24的识别结果判断自动调制识别深度学习模型是否符合预设要求，若是，执行步骤S3，否则返回所述步骤S22；

S3、采用步骤S2训练好的自动调制识别深度学习模型对步骤S1收集的信号进行调制模式识别。

2.如权利要求1所述的一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述步骤S21具体包括：

选取基准数据集、损失函数和优化器，设置初始学习率和批大小。

3.如权利要求1所述的一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述步骤S224具体包括：

对通过激活函数层和Dropout层后的数据进行维度变换，然后将维度变换后的I路和Q路数据进行数据拼接，最后再增加一维数据维度。

4.如权利要求3所述的一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述步骤S23具体包括：

将原始数据y和所述步骤S22得到的参数估计数据ω输入参数变换模块，用原始数据减去参数估计模块的输出数据，得到参数变换后的数据

5.如权利要求4所述的一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述步骤S24包括以下分步骤：

S241、将步骤S23得到的参数变换后的数据输入时空特征提取模块中的卷积神经网络CNN网络层进行空间特征提取，得到空间特征提取后的数据y_c；

S242、将步骤S241得到的空间特征提取后的数据y_c进行维度变换，然后输入时空特征提取模块中的门控循环单元GRU网络层进行时域特征提取，得到时域特征提取后的数据y_t；

S243、将步骤S242得到的时域特征提取后的数据y_t输入时空特征提取模块中的Softmax函数层，将信号经过上述步骤处理后的数据映射为所有调制识别类型中的其中一类，完成调制模式识别。

6.如权利要求5所述的一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述步骤S241具体包括：

将所述步骤S23得到的参数变换后的数据输入时空特征提取模块中的卷积神经网络CNN网络层，通过卷积神经网络CNN网络层中的第一层卷积层初步提取信号的空间特征，并减小数据维度，再通过第二层卷积层将提取到的空间特征进行压缩，完成空间特征提取，得到空间特征提取后的数据y_c。

7.如权利要求6所述的一种基于时空特征提取深度学习的调制模式识别方法，其特征在于，所述步骤S25具体包括：

根据步骤S24的识别结果得到自动调制识别深度学习模型的验证损失，判断自动调制识别深度学习模型的验证损失是否在预设周期1内不减少，若是，将学习率减半，再判断自动调制识别深度学习模型的验证损失是否在预设周期2内保持稳定，若是，执行步骤S3，否则返回所述步骤S22。