[发明专利]一种适用于变化场景的基于深度学习的调制方式识别方法

权利要求书

1.一种适用于变化场景的基于深度学习的调制方式识别方法，其特征在于，对应N_C个不同的信噪比SNR，将无线环境划分为N_C个不同的SNR场景γ⁰、γ¹、...、进而将其划分为对应的N_C个场景区间：针对每种SNR场景，训练得到不同的深度学习网络模型；进行识别时，利用信噪比估计器计算待识别的调制信号的载波强度和噪声强度，求出第k个观测下待识别的调制信号的SNR估计值

根据SNR估计值选出最优深度学习网络模型其中，0≤opt_k≤N_C-1，具体如下：

当SNR场景被判为γ⁰；

当SNR场景被判为γ¹；

当SNR场景被判

当SNR场景被判为

经场景判决后，确定最有可能的SNR场景，然后相应地选择最优深度学习网络模型进行调制方式识别。

2.根据权利要求1所述的适用于变化场景的基于深度学习的调制方式识别方法，其特征在于，深度学习网络模型的训练步骤如下：

1.1)信号生成：空口接收得到多种已知的调制信号；

1.2)信号预处理：对于第i个SNR场景下接收到的每一个调制信号γⁱ，先对其进行预处理；

1.3)数据标定：根据已知的调制信号的调制方式，对其打上相应的标签，得到一定量的数据集后，以一定的比例将其划分成训练集；

1.4)网络训练：将训练集送入配置好的深度学习网络进行训练，得到深度学习网络模型Cⁱ。

3.根据权利要求2所述的适用于变化场景的基于深度学习的调制方式识别方法，其特征在于，步骤1.2)中，将预处理后的调制信号映射成彩色星座图的三维表征形式。

4.根据权利要求2所述的适用于变化场景的基于深度学习的调制方式识别方法，其特征在于，步骤1.3)中，还得到验证集，通过验证集对步骤1.4)得到的深度学习网络模型Cⁱ的超参数进行调整，优化深度学习网络模型，得到优化后的深度学习网络模型。

5.根据权利要求1所述的适用于变化场景的基于深度学习的调制方式识别方法，其特征在于，采用M₂M₄估计器，利用信号的二阶矩和四阶矩来估计待识别的调制信号的载波强度和噪声强度；对于N_S个接收信号中第k个观测，待识别的调制信号y_k(n)的二阶矩、四阶矩分别表示如下：

假定待识别的调制信号和噪声都是零均值，独立随机过程，且噪声的同相分量和正交分量都是独立的，则待识别调制信号的信号功率和噪声功率可估计如下：

其中，κ_s、κ_g分别表示信号的峰值、噪声的峰值，计算如下：

κ_s＝E{|s_k(n)|⁴}/E{|s_k(n)|²}²；

κ_g＝E{|g_k(n)|⁴}/E{|g_k(n)|²}²；

式中，s_k(n)表示M阶源符号序列，g_k(n)表示符号间隔的经过滤后的噪声采样。

6.根据权利要求5所述的适用于变化场景的基于深度学习的调制方式识别方法，其特征在于，对于任意M进制相移键控信号，κ_s＝1，且对于复噪声，有κ_s＝2，进而SNR估计值为：

进而，选出最优深度学习网络模型其中，opt_k∈[0,N_C-1]。

7.根据权利要求6所述的适用于变化场景的基于深度学习的调制方式识别方法，其特征在于，将接收的待识别的调制信号送入选择得到的最优深度学习网络模型进行结果推断，得到其调制方式，具体如下：

2.1)信号预处理：将每一个接收的待识别的调制信号映射成彩色星座图的三维表征形式；

2.2)模型测试：将预处理后的调制信号送入最优深度学习网络模型进行模型测试，识别调制方式。