[发明专利]基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法

权利要求书

1.基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法，其特征在于，在采用深度学习ResNet网络训练无线电调制信号识别分类时，采用布谷鸟算法优化ResNet初始超参数设置，通过迭代优化得到合适的初始值，有效地改进了传统的ResNet训练的缺陷，本方法包括以下步骤：

步骤一：处理无线电调制信号的训练数据集，设计ResNet网络训练模型，搭建ResNet残差训练网络和连接方式；

步骤二：根据步骤一搭建的ResNet网络训练模型和布谷鸟算法，设计CS寻优模块；进行无线电调制信号模型训练，并融合布谷鸟算法的CS寻优模块不断迭代寻优，得到待优化目标超参数的优质解，ResNet残差训练网络根据优质解改进待优化目标超参数；

步骤三：经过训练后的ResNet残差训练网络输出无线电调制信号识别分类的准确率、混淆矩阵，作为识别分类效果的指标。

2.根据权利要求1中所述的基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法，其特征在于，步骤一的具体过程为：

(1)利用h5py库对无线电调制信号的2018.01.osc.0001_1024数据集进行读取：

无线电调制信号的2018.01.osc.0001_1024数据集包括24种不同的调制方式，每种调制方式下包括26种不同的信噪比；数据集文件夹下包含3个group，分别为X group、Y group和Z group，其中，X group中为待识别分类的I和Q两路调制信号，每路调制信号包含1024个点；Y group中为与X group中的样本对应的调制方式的one-hot标签；Z group中为与Xgroup中的样本对应的信噪比的标签；

(2)采用随机函数random在X group里随机提取调制信号，同时从Y group中读取与Xgroup中的样本对应的调制方式的标签，并同时从Z group中读取与X group中的样本对应的信噪比的标签，将2018.01.osc.0001_1024数据集分割为所需大小的数据量的小数据集，用于做分析对比；

(3)读取被分割后的2018.01.osc.0001_1024数据集，采取随机模式抽取样本，按0.7:0.3的比例将2018.01.osc.0001_1024数据集划分为训练集和测试集，即2018.01.osc.0001_1024数据集中的70％的数据作为训练集，剩下的30％的数据作为测试集；

(4)设计ResNet网络训练模型，搭建ResNet残差训练网络；在一个残差块中包含：1×1的卷积核、两个残差单元和最大池化层，其中残差单元就是残差网络中的残差块；ResNet残差训练网络布局包含一个输入层、六个残差块和三个全连接层，具体见表1的ResNet残差训练网络布局；

表1 ResNet残差训练网络布局

(5)借鉴图片分类的思想，一张图片的维度一般是width×height×channel，对应到无线电的I和Q两路调制信号就是1024×2×1，即将I和Q两路调制信号的数据定义为单个通道的1024×2大小的“图片”，作为残差网络的输入；

(6)选取模型的优化器为Adam算法，鲁棒性较好；选取模型损失函数为categorical_crossentropy，即交叉熵损失函数，适用于多分类模型；对Keras层设置初始化权重方式为kernel_initializer＝'glorot_normal'，即Glorot正态分布初始化方法。