[发明专利]一种基于HLNN的5G信号数字调制方式自动识别方法

权利要求书

1.一种基于HLNN的5G信号数字调制方式自动识别方法，其特征在于，包括如下步骤：

S1、仿真模拟出多种数字调制方式的数据集Φ_x，对数据集Φ_x进行加噪处理，并添加标签后得到网络输入样本数据集Φ_{xs_label}；

S2、根据工程经验设计预训练的卷积神经网络模型net_raw，并利用网络输入样本数据集Φ_{xs_label}对卷积神经网络模型net_raw进行训练和测试，得到训练好的卷积神经网络模型net_train；所述步骤S2的具体步骤如下：

S21、设定识别率最低阈值ε_r；

S22、基于Tensorflow2.0平台，根据工程经验设计预训练的卷积神经网络模型net_raw；

S23、利用网络输入样本数据集Φ_{xs_label}对卷积神经网络模型net_raw进行训练，并统计不同迭代次数下L种数字调制方式训练数据集识别率ε_{xs_total}和损耗值loss_{_epoch}；所述步骤S23中卷积神经网络模型net_raw的具体训练步骤如下：

S231、卷积神经网络模型初始化net_raw；

S232、将数据集Φ_{xs_label}经打乱后得到新数据集Φ_{xs_label_shuffle}；

S233、将新数据集Φ_{xs_label_shuffle}按比例分为训练集和测试集，并利用训练集对卷积神经网络模型net_raw进行训练；

S234、设置迭代步长，并统计不同迭代情况下卷积神经网络模型net_raw对训练集的整体识别率ε_{xs_total}与损耗loss_{_epoche}；

S24、当ε_{xs_total}≥ε_r时，保存训练好的卷积神经网络模型net_train，并对测试集的信号数据进行测试，统计识别率ε_{xs_local}；所述步骤S24中得到卷积神经网络模型net_train的具体方法如下：

S241、当ε_{xs_total}≥ε_r时，停止卷积神经网络模型net_raw的训练，保存此时训练好的卷积神经网络模型net_train；

S242、将测试集送入训练好的模型net_train,统计k种分贝下L种数字调制方式的识别率ε_{xs_local}：

ε_{xs_local}＝[ε_{1s_local},ε_{2s_local},ε_{3s_local},...,ε_{Ls_local}]

其中，

ε_{xs_local}(i)为第i种分贝下第x种数字调制方式的识别率，其中i＝(1,2,3…,k)；

S3、将卷积神经网络模型net_train的分类器层替换为与真实样本数据集Φ_real类别数一致的神经元层，并进行调整后得到最终HLNN卷积神经网络模型net_final；所述步骤S3中得到最终HLNN卷积神经网络模型net_final的具体方法如下：

S31、分析真实采样的样本数据集Φ_real的辅助信息；

S32、将卷积神经网络模型net_train最后一层的神经元层替换为真实样本数据集Φ_real中分类的神经元层，并将这个替换层与之前训练好的所有其他层共同使用真实样本数据集Φ_real进行训练，直到卷积神经网络模型net_train收敛，得到混合学习后的卷积神经网络模型net_final；

S33、利用混合学习后的卷积神经网络模型net_final测试真实样本数据集Φ_real识别率ε_real，若ε_real≥ε_r识别结束，否则返回步骤S24继续微调卷积神经网络模型netfinal，直到识别率ε_real满足要求时，得到最终HLNN卷积神经网络模型net_final；

S4、利用最终HLNN卷积神经网络模型net_final对未知信号数字调制方式进行自动识别。