[发明专利]一种基于卷积神经网络的调制方式识别方法

权利要求书

1. 一种基于卷积神经网络的调制方式识别方法，其特征是，识别射频信号调制方式简单方便且识别准确率高，包括以下几个步骤：

步骤1、射频信号数据的生成或采集

利用软件无线电软件GNU Radio仿真现实生活中各种调制信号，像AM-DSB、CPFSK、QAM64等，仿真系统包括发射调制模块、信道仿真模块、数据采集模块，也可以利用通用无线电接收设备（USRP）和GNU Radio软件接收现实中的各种射频信号（例如FM调频广播信号）；

步骤2、射频信号数据按照调制方式分类和整理实验产生的数据总共有11种调制方式（3种模拟调制和8种数字调制），信噪比覆盖范围从-20dB ~ +18dB，共有I/Q两路2×128射频信号数据220000条，按照信噪比进行分类，-20、-18、-16 …… + 16、+ 18共20个类，每类分别包含11种调制方式，在同一信噪比下，每同调制方式包含1000个数据，给每条数据打上SNR和调制方式标签；

步骤3、将采集的I/Q两路射频信号数据，以I路（同相）为横轴，Q路（正交）为纵轴，生成对应的信号星座图射频信号可以分解成一组相对独立的分量，即同相（I）和 正交（Q）分量，这两个分量是正交的，且互不相干，以I路（同相）为横轴，Q路（正交）为纵轴建立一个直角坐标系，将I/Q 两路射频信号数据映射到I、Q平面上，采集的每个数据变为I、Q平面上的128个点，这些点称作星座、这样的图称作星座图；

步骤4、将少量射频信号星座图图片输入到卷积神经网络进行模型构建，模型分类输出的是信号的调制方式选取6种调制方式信号，在同一信噪比下，共有2700张训练数据和2700张验证数据，每种调制方式各有450张训练图片、450张验证图片，模型由3个卷积层、3个池化层、1个扁平层和1个输出层构成，优化器选择Adam，损失函数选择categorical_crossentropy函数，最后输出层选择softmax分类激活函数，其它层选择relu激活函数，最后输出层有六个结点，对应6种调制方式；

步骤5、将少量射频信号星座图验证图片输入到训练模型中，验证模型的分类准确度

在相同的信噪比下，用600种射频信号星座图图片，每种调制方式各100张，测试模型分类准确率，记录测试所花费的时间；

步骤6、将测试图片输入到卷积神经网络进行分类识别将待识别的信号星座图输入模型中，准确识别信号的调制方式。

2.根据权利要求1所述的一种基于卷积神经网络的调制方式识别方法，其特征在于：步骤1中射频信号数据的生成或采集，利用GNU Radio软件进行信号调制、信道仿真、信号数据处理和保存，仿真真实USRP接收到的射频电磁信号。

3.根据权利要求1所述的一种基于卷积神经网络的调制方式识别方法，其特征在于：步骤2中依据信号的SNR和调制方式的不同，将生成的信号数据进行分类整理，并打上对应SNR、调制方式标签。

4.根据权利要求1所述的一种基于卷积神经网络的调制方式识别方法，其特征在于：步骤3中将I/Q两路射频信号数据，以I路（同相）为横轴，Q路（正交）为纵轴，生成对应的信号星座图，星座图大小为150*120 像素。

5.根据权利要求1所述的一种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将少量星座图训练图片输入到卷积神经网络进行模型构建，模型分类输出的是信号的调制方式，网络结构使用Lenet模型，自己逐层添加每层，学习率为0.5。

6.根据权利要求1所述的一种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将少量验证图片输入到步骤4中生成的模型中，通过计算星座图图片识别射频信号调制方式的准确率来验证模型的可行性。

7.根据权利要求1所述的一种基于卷积神经网络的调制方式识别方法，其特征在于：步骤6将待测试图片输入到构建的模型中，输出星座图的识别结果，实现了射频信号调制方式的识别。