基于卷积神经网络的数字信号调制模式识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108718288A(43)申请公布日2018.10.30(21)申请号201810275921.7(22)申请日2018.03.30(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人王宏王飞扬黄浩李建清(74)专利代理机构成都虹盛汇泉专利代理有限公司51268代理人王伟(51)Int.Cl.H04L27/00(2006.01)G06K9/00(2006.01)G06N3/04(2006.01)权利要求书1页说明书4页附图1页(54)发明名称基于卷积神经网络的数字信号调制模式识别方法(57)摘要本发明公开了一种基于卷积神经网络的数字信号调制模式识别方法，包括以下步骤：S1、将接收机接收到的盲通信时域信号转换为int16格式的数据，并保存为二进制数据文件；S2、变采样为中频信号；S3、进行中频滤波；S4、做幅值归一化处理；S5、设计卷积神经网络用于提取信号特征；S6、对步骤S4得到的信号进行特征提取并进行分类回归，得到对应的数字信号调制模式。本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取，可以有效的从复杂的数字调制信号中得到每一类对应的有效特征，然后用全连接层将提取到的特征整合到标记样本空间，最后采用分类网络对数字信号调制模式识别，对调制模式进行分类，有效提高了数字信号调制模式的效率。CN108718288ACN108718288A权利要求书1/1页1.基于卷积神经网络的数字信号调制模式识别方法，其特征在于，包括以下步骤：S1、将接收机接收到的盲通信时域信号转换为int16格式的数据，并保存为二进制数据文件；S2、将步骤S1得到的信号变采样为中频信号；S3、对步骤S2得到的中频信号进行中频滤波；S4、对中频滤波后的信号做幅值归一化处理；S5、设计卷积神经网络用于提取信号特征；S6、对步骤S4得到的信号进行特征提取并进行分类回归，得到对应的数字信号调制模式。2.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法，其特征在于，所述步骤S2包括以下子步骤：S21、画出信号的时域频谱图，得到该信号的载波频率；S22、用四倍的载波频率重采样该信号。3.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法，其特征在于，所述步骤S4具体实现方法为：用0均值标准化方法对信号进行归一化，公式如下：z＝(x-μ)/σ其中，x代表步骤S3得到的原始信号，μ代表原始信号的均值，σ代表原始信号的标准差，z代表归一化之后的信号。4.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法，其特征在于，所述步骤S5中的卷积神经网络包括：一维卷积层conv1D：使用的激活函数为relu，用以对一维时域信号进行特征提取；Dropout层：将在训练过程中每次更新参数时按一定概率随机断开输入神经元，Dropout层用于防止过拟合；GlobalAveragePooling1D层：为时域信号施加全局最大值池化；全连接层：将学到的“分布式特征表示”映射到样本标记空间的作用；Softmax层：公式如下：x为待识别的时域信号，K为总的类别数，k和i分别表示第k个类别和第i个类别，表示当前信号识别为第k类的映射值，表示当前信号识别为第i类的映射值，P(i)为x信号属于i类别的概率值。5.根据权利要求1所述的基于卷积神经网络的数字信号调制模式识别方法，其特征在于，所述步骤S6包括以下子步骤：S61、将信号分成适合输入卷积神经网络的多段等长序列；S62、将每段序列输入神经网络进行分类；S63、将每一段信号的每一个分类置信度求和再取平均值，平均值最大的那一类即为该信号的调制模式类别。2CN108718288A说明书1/4页基于卷积神经网络的数字信号调制模式识别方法技术领域[0001]本发明属于深度学习应用和数字信号调制模式识别领域，特别涉及一种基于卷积神经网络的数字信号调制模式识别方法。背景技术[0002]近年来，通信技术迅猛发展，为了满足用户的不同需求，充分利用通信资源，提高频谱利用率，通信信号的体制、调制方式变得多样化和复杂化，同一空间的信号也变得越来越密集。在电子战通信情报截获接收机的设计中，获得接收的通信信号的调制方式，为解调器选择解调算法提供参考依据，有助于电子战中最佳干扰样式或干扰抵消算法的选择，以保证友方通信，同时破坏和抑制敌方通信，实现通信对抗的目的。[0003]现有的数字信号调制模式识别都采用传统的模式识别方法，首先从信号中人工提取特征，诸如统计量特征、谱相关特征、小波变换特征以及星座图特征等，然后根据这些特征判断与之对应的调制模式。这种传统的识别方法有很多缺点，首先必须相关领域的专家进行特征提取；