一种基于集成深度学习的信号识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115935172A(43)申请公布日2023.04.07(21)申请号202310016915.0G06N3/0464(2023.01)(22)申请日2023.01.06(71)申请人湖南董因信息技术有限公司地址410000湖南省长沙市开福区清水塘街道芙蓉中路一段319号绿地中心新华保险大厦栋2401房(72)发明人修保新李光明(74)专利代理机构长沙大珂知识产权代理事务所(普通合伙)43236专利代理师伍志祥(51)Int.Cl.G06F18/213(2023.01)G06F18/241(2023.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书3页说明书8页附图2页(54)发明名称一种基于集成深度学习的信号识别方法(57)摘要本发明公开了一种基于集成深度学习的信号识别方法，包括以下步骤：根据具体的信号识别任务确定适合的特征图像集，将采集的信号数据转化为信号特征图像；将信号特征图像进行类别标注，得到包含标注信息的训练集，并利用数据增强技术扩充训练集；构建基于深度神经网络的信号识别模型；将训练集输入深度神经网络对信号识别模型进行训练；基于集成学习算法提升信号识别模型性能；利用训练后的模型对信号进行识别。本发明在深度学习的基础上加入了集成学习算法，二者使得模型的信号识别能力得到进一步提升，且在集成学习过程中，用户可根据需求选择不同类型的特征图像和基础模型，更具有针对性和可操作性。CN115935172ACN115935172A权利要求书1/3页1.一种基于集成深度学习的信号识别方法，其特征在于，包括以下步骤：步骤S10，根据具体的信号识别任务确定适合的特征图像集，将采集的信号数据转化为信号特征图像；步骤S20，将信号特征图像进行类别标注，得到包含标注信息的训练集，并利用数据增强技术扩充训练集；步骤S30，构建基于深度神经网络的信号识别模型；步骤S40，将训练集输入深度神经网络对信号识别模型进行训练；步骤S50，基于集成学习算法提升信号识别模型性能；步骤S60，利用训练后的模型对信号进行识别。2.根据权利要求1所述的基于集成深度学习的信号识别方法，其特征在于，步骤S10包括如下子步骤：S11，根据具体的信号识别任务确定适合的特征图像集；其中信号数据包括BPSK、QPSK、8PSK、16QAM、64QAM、BFSK、CPFSK、PAM4、WB‑FM、AM‑SSB和AM‑DSB，每种调制方式包含1000个信号样本，每个信号样本包含Ｉ路和Ｑ路两路信号，每路信号包含128个采样点，一个点对应于某一时刻信号的幅值；设置特征图像集包括波形图、频谱图、星座图、星座轨迹图和瀑布图5类图像；S12，将采集的信号数据转化为二维简单特征图像；S13，基于二维简单特征图像生成高维复杂特征图像。3.根据权利要求2所述的基于集成深度学习的信号识别方法，其特征在于，所述星座图通过I路数据为水平轴，Q路数据为垂直轴生成；所述星座轨迹图通过将多张星座图叠加到一起构成；所述波形图以时间为水平轴，以I路或Q路数据为垂直轴生成，时间值根据IQ数据的采样频率计算得到；所述频谱图通过离散傅里叶变换生成；所述频谱图的生成方式如下：IQ两路时域数据通过离散傅里叶变换，生成一组复数值，每一个复数值表示对应频率值的频率强度，由下式计算得到：其中表示离散IQ信号，T>0和F>0分别是时间变量和频率变量的采样周期，m和n取整数值，表示在等间隔时间和频率网格点(mT,nF)处采样，以水平轴表示频率值，垂直轴表示频率强度，生成频谱图；所述瀑布图生成方式如下：用水平轴表示频率值，用颜色表示频率强度，二维的频谱图转化为一条彩色的线，将连续多个时间点的线按照时间顺序堆叠成一个面，绘制出一张彩色的瀑布图，瀑布图中水平轴表示频率，垂直轴表示时间，每个点的颜色对应频率强度。4.根据权利要求1所述的基于集成深度学习的信号识别方法，其特征在于，步骤S20包括如下子步骤：S21，对特征图像进行类别标注；S22，采用基于GAN网络进行数据增强，生成大量标注的特征图像，包括：首先构建GAN网2CN115935172A权利要求书2/3页络的生成器和判别器，输入设置为已标注的特征图像，输出为合成的特征图像；然后训练GAN网络，在训练过程中以生成器为侧重点，经过对抗训练，生成器生成逼真的合成特征图像，使得判别器都无法将它与真实图像区分开来；S23，将原始的特征图像和生成的特征图像混合在一起，构成增强的训练集。5.根据权利要求1所述的基于集成深度学习的信号识别方法，其特征在于，步骤S30包括如下子步骤：S31，选择卷积神经网络构建信号识别模型；S32，设计卷积神经网络结构；卷积神经网络包含2个卷积层、2个池化层和