[发明专利]一种基于卷积神经网络的调制方式识别方法

说明书

本发明提出了一种基于卷积神经网络的调制方式识别方法，属于图像识别领域。其特点在于包括以下步骤：1）射频信号数据的生成或采集；2）射频信号数据按照调制方式分类和整理；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；4）将少量电磁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；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；6）最后，将测试图片输入到卷积神经网络进行分类识别。本发明对射频信号调制方式的分类精确率高，且模型构建不需要大量数据，对射频信号识别有着重要意义。

技术领域

本发明涉及一种基于卷积神经网络的调制方式识别方法，属于图像识别领域，可用于射频信号调制方式识别。

背景技术

深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习的概念是由Hinton等人于2006年提出的。深度学习的概念源于深度神经网络，含有多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高出特征，以发现数据的分布式特征表示。卷积神经网络是近几年发展起来的高效识别方法。20世纪60年代，Hubel和Wiese在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。卷积神经网络包括两层，其一为特征提取层，其二为特征映射层。通过第一层实现输入图像的特征提取，通过第二层使结构非线性。

传统的射频信号调制方式自动识别方法主要有统计模式识别方法和判决理论识别方法。识别方法主要由信号预处理、特征提取和类型识别三部分组成，传统自动识别方法准确率较低、运算量大、识别困难。深度学习卷积神经网络具有特征提取功能。自然将卷积神经网络和信号调制方式识别联系起来。在数字通信领域，经常将数字信号在复平面上表示，以直观的表示信号以及信号之间的关系。把信号矢量端点的分布图称为星座图。星座图对于判断调制方式有很直观的效用。射频信号存储的数据为I/Q两路时域幅值数据，将I/Q两路数据以I路（同相）数据为横轴，Q路（正交）数据为纵轴，生成对应的信号星座图。将射频信号星座图图片送入卷积神经网络中，可得到射频信号的调制方式，对识别射频信号调制方式有着重要意义。

发明内容

本发明提出了一种基于卷积神经网络的调制方式识别方法，该方法旨在使用少量射频信号星座图图片构造卷积神经网络模型，实现射频信号调制方式的高准确率地分类识别。

本发明所采用的技术方案如下：

基于卷积神经网络的调制方式识别方法，其具体步骤如下：

步骤1：射频信号数据的生成或采集；

步骤2：射频信号数据按照调制方式分类和整理；

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；

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；

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；

步骤6：将测试图片输入到卷积神经网络进行分类识别；

有益效果：本发明使用卷积神经网络对射频信号星座图图片进行特征提取和分类，实现快速高精确度的图像分类。本发明具有构建模型数据量少且精确度高的特点，适合运用于精准的射频信号调制方式识别，对电子对抗有着重要意义。

附图说明

图1是本发明系统原理图

图2是本发明射频信号数据生成模块图

图3是本发明IQ路信号和星座图关系说明图

图4是本发明射频信号星座图