[发明专利]基于卷积神经网络的通信信号调制方式识别方法

权利要求书

1.一种基于卷积神经网络的调制方式识别系统，依照信号的传输方向依次连接有系统发送端、信道、接收端，信号依次通过上述单元后进行解调操作，接收端中又依次连接有预处理模块、简单特征构造模块、卷积神经网络模块，将卷积神经网络识别出的调制信号的调制方式用于信号解调，其特征在于，所述简单特征构造模块将预处理操作后的解析信号的同相分量r(t)和同相分量r(t)经过希尔伯特变换得到的正交分量构造的二维矩阵作为信号的简单特征，信号的简单特征送入到卷积神经网络模块进行抽象特征提取和分类，得到通信信号的调制方式。

2.根据权利要求1所述的基于卷积神经网络的调制方式识别系统，其特征在于，所述的卷积神经网络为多层深度卷积神经网络，包括一个输入层、四个卷积层和四个下采样层、两个全连接层和一个输出层。

3.一种基于卷积神经网络的调制方式识别方法，其特征在于，包括有如下步骤:

(1)发送端调制发送信号并且进行脉冲成型：在发送端，按照不同的星座图映射调制发送信号，采用矩形脉冲进行脉冲成型，选取码元长度M；

(2)信号经过信道：将脉冲信号上变频后发送出去并且经过加性高斯白噪声信道；

(3)预处理操作：接收端首先对信号进行载波频率估计，然后对接收信号进行下变频操作，得到通过信道传送过来的基带信号r(t)，该信号也就是解析信号的同相分量；

(4)构造简单特征：构造简单特征模块对解析信号的同相分量r(t)进行希尔伯特变换得到解析信号的正交分量将解析信号的同相分量r(t)和正交分量构造为二维矩阵R；

(5)卷积神经网络对信号进行分类：卷积神经网络模块对二维矩阵R进行学习训练和分类；

(5.1)卷积神经网络学习训练阶段：

随机初始化卷积神经网络中每一层的权值和偏置；输入二维矩阵组成的训练样本及其标签，利用前向传导公式计算每层的输出值；根据标签值和最后一层输出值计算出最后一层的残差；按照梯度下降法更新网络的权值，完成对卷积神经网络的训练；

(5.2)卷积神经网络分类阶段:

保持卷积神经网络中参数不变，逐层计算测试样本通过卷积神经网络隐藏层各层的输出值；计算出卷积神经网络输出层输出的类别向量值；根据卷积神经网络输出类别向量值中最大值的位置，确定测试样本的调制方式；

(6)将卷积神经网络识别出的信号的调制方式送到信号解调模块，对接收信号进行解调，得到解调后的通信信号。

4.根据权利要求3所述的基于卷积神经网络的调制方式识别方法，其特征在于，步骤4中所述的构造简单特征，具体包括有：

(4.1)对步骤3得到的同相分量r(t)进行希尔伯特变换得到正交分量

其中参数t代表信号持续时间；

(4.2)将同相分量r(t)和正交分量构造为二维矩阵

5.根据权利要求3所述的基于卷积神经网络的调制方式识别方法，其特征在于，步骤5中所述的训练阶段具体包括有如下步骤：

(5.1.a)随机初始化卷积神经网络中每一层的权值W^l和偏置b^l，l＝1,...,L，l为网络的深度，L为网络的深度总量；

(5.1.b)输入二维矩阵组成的训练数据x及其标签y，利用前向传导公式计算每层的输出值，在计算过程中，设置卷积层随机失活(dropout)的概率，设置概率为40％～50％；

(5.1.c)根据标签值和输出层输出值计算出最后一层的残差；

(5.1.d)按照梯度下降法更新网络的权值，完成对卷积神经网络的训练。