基于CNN卷积神经网络的数字信号自动调制识别方法.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CN109802905A(43)申请公布日2019.05.24(21)申请号201811615402.7(22)申请日2018.12.27(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号西安电子科技大学申请人西安中电科西电科大雷达技术协同创新研究院有限公司(72)发明人李兵兵余文星(74)专利代理机构西安长和专利代理有限公司61227代理人黄伟洪(51)Int.Cl.H04L27/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书5页附图3页(54)发明名称基于CNN卷积神经网络的数字信号自动调制识别方法(57)摘要本发明属于数字通信信号调制技术领域，公开了一种基于CNN卷积神经网络的数字信号自动调制识别方法；对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈Rn×1；利用改进的Fisherface算法对特征向量进行降维处理，得低维的特征向量y∈xm×1；最后设计深度CNN网络结构，并确定网络初始化参数。本发明利用Keras深度学习框架，直接调用已有网络层函数，搭建深层网络结构；并且在网络训练过程中采用早停策略，有效防止网络过拟合现象，在网络训练完成后，利用测试数据集验证训练效果，完成信号自动调制识别。对于MQAM信号，当信噪比大于0dB时，识别率达到97％以上；对于MPSK信号，当信噪比大于等于-4dB时，识别率达到95％。CN109802905ACN109802905A权利要求书1/2页1.一种基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述基于CNN卷积神经网络的数字信号自动调制识别方法步骤一，首先对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈Rn×1；步骤二，然后再利用改进的Fisherface算法对特征向量进行降维处理，获得低维的特征向量y∈xm×1，形成网络训练的数据集和测试集；步骤三，设计深度CNN网络结构，并确定网络初始化参数，结合Keras深度学习框架，调用已有网络层函数，搭建深层网络结构；利用训练集进行网络训练，并采用Early-stop策略，防止过拟合现象；步骤四，在网络训练完成后，再利用测试数据集验证训练效果，完成信号自动调制识别。2.如权利要求1所述的基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述离散循环谱密度DCSD定义为：其中n为离散时间，k为离散频率，x(n)为离散信号序列，序列长度为N，α为循环频率；为循环自相关函数，对进行傅里叶变换得到循环谱密度表示循环平稳信号x(n)的频谱中某频率k的循环谱密度值可用k上下各间隔α/2的谱分量的互相关求得；对于得到的二维矩阵数据，进行幅度归一化，然后沿着α频率轴方向，对每一个k频率点的向量数据求取最大值，所有的最大值所组成的向量，便是幅度归一化循环谱的α轴投影向量x∈Rn×1。3.如权利要求1所述的基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，改进的Fisherface算法的定义为：其中，{wi|i＝1,2,...,m}是关于实对称矩阵的一组特征向量，对应的m个最大特征值为{λi|i＝1,2,...,m}。为类内离散度矩阵WCSM，xk为类别i所属数据集Xi中的第k个样本，μi为类别i中样本的特征均值，c为全部样本中所属的类别总数；为类间离散度矩阵BCSM，Ni为类别i的样本个数，μ为所有类别中全部样本的均值。4.如权利要求1所述的基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，利用CNN卷积神经网络分类器，将改进的Fisherface算法处理后的特征数据作为输入数据进行分类识别，实现数字信号的自动调制类型的识别。2CN109802905A权利要求书2/2页5.一种应用权利要求1～4任意一项所述基于CNN卷积神经网络的数字信号自动调制识别方法的数字通信信号调制平台。3CN109802905A说明书1/5页基于CNN卷积神经网络的数字信号自动调制识别方法技术领域[0001]本发明属于数字通信信号调制技术领域，尤其涉及一种基于CNN卷积神经网络的数字信号自动调制识别方法。背景技术[0002]目前，业内常用的现有技术是这样的：针对AWGN环境下的调制识别问题，目前现有的方法大致可以划分为三大类：基于最大似然假设检验、基于特征提取模式识别、以及基于深度学习方法。其中，基于最大似然假设检验的识别方法涉及到信号均值、方差、协方差等诸多先验信息，而这些在非合作通信中都是很难准确获取。因此，现在的很多学者重点研究的是基于特征提取和深度学习的调制识别方法。Yasaman与Ettefagh等人利用自适应神经