[发明专利]基于深度学习的调制方式识别方法

摘要

本发明提出了一种基于深度学习的调制方式识别方法，用于解决现有技术存在的识别准确率低的问题，实现步骤为：(1)获取训练集和测试集；(2)搭建神经网络NNs；(3)基于信噪比将训练集划分为多个子训练集，用子训练集分别训练神经网络NNs，得到多个训练好的神经网络；(4)评估待测调制信号的信噪比snr，根据snr所在的区间选取适用的训练好的神经网络，识别待测调制信号的调制方式。本发明神经网络NNs在训练时，能够准确发现各个子训练集的样本数据和样本标签的内在联系和规律，增强神经网络NNs的学习效果，提高识别准确率，同时实现基于信噪比的自适应调制方式识别。可用于非协作通信中调制方式的识别等领域。

主权项

1.一种基于深度学习的调制方式识别方法，其特征在于包括如下步骤：(1)获取训练集和测试集：(1a)设样本集中包含c×x个调制信号，调制信号的信噪比取值范围为(a,d)，相邻信噪比之间的间隔为s，信噪比的个数为(d‑a)/s+1，其中，c为调制方式的种类数，c≥2，x为每种调制方式包含的调制信号的个数，x≥1000，a＜‑5，d＞10；(1b)对每个调制信号进行N点采样，得到c×x个长度均为N的采样信号，并对每个采样信号进行归一化，得到c×x个长度均为N的样本信号，N≥128；(1c)将提取的每个样本信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H，并采用独热编码方法对每个样本信号对应的调制方式进行编码，得到样本标签；(1d)将70％的样本信号的样本数据H和样本标签作为训练集train‑0，剩余的样本数据H和样本标签作为测试集test‑0；(2)搭建神经网络NNs：搭建包括输入层、隐藏层和输出层的神经网络NNs，该NNs的代价函数为交叉熵损失函数，输出层为Softmax层，输出层神经元的个数与调制方式的种类数c相等；(3)基于信噪比对神经网络NNs进行分段训练：(3a)通过训练集train‑0对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model‑0；(3b)将测试集test‑0输入model‑0中进行识别准确率评估，得到(d‑a)/s+1个识别准确率，并通过每个识别准确率与测试集test‑0中样本数据H对应的调制信号的每个信噪比绘制model‑0的性能曲线A‑S；(3c)性能曲线A‑S上每个识别准确率h与左相邻的识别准确率h_pre相比，变化幅度h1，以及与右相邻的识别准确率相比，变化幅度h2,并记录当h＞50％,h_pre＜50％或者h1＞k2,h2＜k3或者h1＜k4,h2＞k5时各识别准确率h对应的信噪比，得到SNR₁...SNR_m，其中，k2≥3％，k3≤3％，k4≤2％，k5≥2％，m≥1，a＜SNR₁...＜SNR_m＜d，并判断m＞1是否成立，若是，执行步骤(3d)，否则，执行步骤(3e)；(3d)分别提取训练集train‑0中与信噪比在(SNR₁,d)...(SNR_m,d)区间的调制信号对应的样本数据H和样本标签，组成训练集train‑1...train‑m，并用train‑1...train‑m分别对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model‑1...model‑m；(3e)提取训练集train‑0中与信噪比在(SNR₁,d)区间的调制信号对应的样本数据H和样本标签，组成训练集train‑1′，并用train‑1′对神经网络NNs进行训练，当代价函数不再减小时，得到训练好的神经网络model‑1′；(4)对待测调制信号的调制方式进行识别：(4a)对待测调制信号进行N点采样，得到长度为N的采样信号，并对采样信号进行归一化，得到长度为N的归一化信号，然后对提取的归一化信号的N个瞬时幅度特征和N个瞬时相位特征并行排列，得到维度为2×N的样本数据H′；(4b)采用最大似然算法对待测调制信号的信噪比进行估计，得到估计值snr，并根据snr与性能曲线A‑S上信噪比的关系，选取对待测调制信号的调制方式进行识别适用的训练好的神经网络：当snr∈(SNR₁,d)，且m＝1，选取训练好的神经网络model‑1′；当snr∈(SNR_i,SNR_i+1)，且m＞1，选取训练好的神经网络model‑i，其中，i＝1...m‑1；当snr∈(SNR_m,d)，且m＞1，选取训练好的神经网络model‑m；(4c)将样本数据H′输入至步骤(4b)所选取的训练好的神经网络中，得到待测调制信号的调制方式。