基于卷积神经网络和DAE_Transformer的调制识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115955376A(43)申请公布日2023.04.11(21)申请号202211697814.6(22)申请日2022.12.28(71)申请人南京邮电大学地址210003江苏省南京市鼓楼区新模范马路66号(72)发明人庞佳伟李大鹏(74)专利代理机构南京经纬专利商标代理有限公司32200专利代理师朱小兵(51)Int.Cl.H04L27/00(2006.01)G06F18/214(2023.01)G06N3/08(2023.01)G06N3/0464(2023.01)权利要求书1页说明书4页附图4页(54)发明名称基于卷积神经网络和DAE_Transformer的调制识别方法(57)摘要本发明公开了基于卷积神经网络和DAE_Transformer的调制识别方法，包括：以训练集中的调制信号为输入，其对应的融合注意力特征图为输出，结合Transformer注意力机制，构建去噪自动编码器。以融合注意力特征图为输入，调制信号的识别结果为输出，构建基于ResidualNetwork网络结构的classifier模块。基于去噪自动编码器和classifier模块，以调制信号为输入、调制信号的识别结果为输出，构建基于卷积神经网络和DAE_Transformer的调制识别模型。在公共数据集RadioML2018.01A上对网络进行了测试。实验证明，本发明提出的算法相较于现有的识别方法，有效地提高了调制信号的识别准确率。CN115955376ACN115955376A权利要求书1/1页1.基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，包括如下步骤：S1、将样本数据集中的调制信号划分为训练集、测试集、验证集；S2、以训练集中的调制信号为输入，其对应的融合注意力特征图为输出，结合Transformer注意力机制，构建去噪自动编码器；S3、以融合注意力特征图为输入，调制信号的识别结果为输出，构建基于ResidualNetwork网络结构的classifier模块；S4、基于去噪自动编码器和classifier模块，以调制信号为输入、调制信号的识别结果为输出，构建基于卷积神经网络和DAE_Transformer的调制识别模型。S5、将验证集中的调制信号输入至调制识别模型，验证模型的准确性。2.根据权利要求1所述的基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，步骤S2包括如子步骤：S2.1、对训练集中的调制信号进行压缩，得到压缩后的向量，然后对该压缩后的向量进行绝对位置编码得到位置编码向量；S2.2、以位置编码向量为输入，输入至多头注意力模块、FNN模块，获得融合的注意力特征图。3.根据权利要求2所述的基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，所述步骤S2.1中，将调制信号通过残差堆栈、reshape模块，进行压缩。4.根据权利要求2所述的基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，步骤S2.1中，将压缩后的向量经过positionDropout模块进行绝对位置编码得到位置编码向量。5.根据权利要求2所述的基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，步骤S3中，所述classifier模块包括顺序连接的5个残差堆栈、2个Dence层，1个classifierOutput层。6.根据权利要求5所述的基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，所述残差堆栈包括1个基于小尺度卷积核的卷积层、1个残差模块、一个池化层。7.根据权利要求2所述的基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，步骤S2.2中，利用多头注意力模块独立学习h组不同的线性投影来变换查询、键和值；然后，将h组变换后的查询、键和值将并行地进行注意力池化，最后，将这h个注意力池化的输出拼接在一起，通过可学习的线性投影进行变换。8.根据权利要求1所述的基于卷积神经网络和DAE_Transformer的调制识别方法，其特征在于，步骤S4中，构建基于卷积神经网络和DAE_Transformer的调制识别模型时利用softmax分类器获得调试信号的识别结果。2CN115955376A说明书1/4页基于卷积神经网络和DAE_Transformer的调制识别方法技术领域[0001]本发明属于信号调制识别技术领域，具体涉及基于卷积神经网络和DAE_Transformer的调制识别方法。背景技术[0002]信号调制识别一直是深度学习领域的研究热点之一。通信信号调制识别在认知电子战、通信对抗和非协同通信等领域具有重要的研究价值。然