[发明专利]基于CNN-LSTM模型和迁移学习的信号调制样式识别方法

说明书

本发明公开一种基于CNN‑LSTM模型和迁移学习的信号调制样式识别方法。本发明首先对采集多种不同调制信号样本集，预处理得到源数据集；再构建CNN‑LSTM网络模型，将网络的权值进行随机初始化，输入源数据集对网络模型进行预训练；将预训练后CNN网络与LSTM网络的权值参数对应迁移至目标CNN‑LSTM网络中，输入训练数据集对目标CNN‑LSTM网络中的随机森林分类器进行训练，得到训练完成的CNN‑LSTM网络；最后利用训练完成的CNN‑LSTM网络对测试数据集进行调制样式识别，得到信号分类识别结果。本发明结合了CNN网络与LSTM网络的特征提取优点，提高了信号识别性能，并解决了深度学习在缺少目标信号样本的条件下识别性能差的问题。

技术领域

本发明属于通信信号调制识别领域，机器学习领域，设计了一种基于CNN-LSTM模型和迁移学习的信号调制样式识别模型。

背景技术

信号调制方式识别是信号检测与解调的重要技术之一，用于判断未知信号的调制方式，估计出信号某些调制参数，为信号解调提供参数依据，从而得到有用信息。目前，通信信号调制识别在军事和民用领域都是十分重要的研究课题。在军事领域，实现对敌方通信进行干扰和破坏以及保护己方通信安全；在民用领域，主要用于对频谱资源进行有效监督和管理。

目前已有的信号调制识别算法主要分为基于决策理论的信号调制识别方法、基于特征提取的模式识别方法。前者基于假设检验理论，以概率论和假设检验理论为基础，对接收信号进行统计特性分析，再利用代价函数最小化准则进行分析推导，得到检验统计量，然后与判决门限进行比较，根据最小化错误分类概率对信号进行判决。该方法具有完备的理论基础，但需要的先验信息多、计算复杂度高，因此适用性差且运算量大；后者通过提取能区分信号调制方式的特征参数，根据不同调制方式对应的特征参数的不同，对信号进行分类判别；该方法复杂度低、理论分析简单、适用范围广，但识别效果依赖对特征参数的选择，难以得到信号深层次特征。针对人工提取特征导致的问题，有许多学者将深度学习应用于信号调制识别，其中CNN网络空间特征提取能力强，LSTM网络时序特征提取能力强。另外，神经网络训练需要大量带有标签的信号数据，这就导致样本数据缺乏的情况下无法达到要求的识别效果，可以通过迁移学习解决该问题。神经网络通常使用softmax分类器，该分类器通过BP算法进行训练，存在局部极小值以及梯度消失、过拟合等问题。随机森林是以自举汇聚法(bagging)为基础，由多个弱分类器(决策树)组成的强分类器。克服了决策树的过拟合问题，同时由于采用了随机采样，训练出的模型的方差小，泛化能力强，对缺失数据和非平衡数据比较稳健。因此针对通信信号调制识别问题，提出一种基于卷积神经网络与随机森林的信号调制识别方法。

发明内容

本发明的目的是提出一种基于CNN-LSTM模型和迁移学习的信号调制样式识别方法。

本发明的具体步骤如下：

步骤一、采集多种不同调制信号样本集，对信号样本集进行预处理得到源数据集；

步骤二、构建CNN-LSTM网络模型，随机初始化CNN-LSTM网络的权值，然后通过源数据集对初始化后的CNN-LSTM网络进行预训练，得到预训练完成后的CNN-LSTM网络模型和网络权值参数；

步骤三、采集目标调制信号样本集，预处理得到目标数据集，组成训练数据集和测试数据集，将预训练后的CNN-LSTM网络权值参数迁移至目标CNN-LSTM网络模型，利用部分目标数据集对目标CNN-LSTM网络训练进行微调，得到训练完成的CNN-LSTM网络；

步骤四、将测试数据集输入到训练完成的CNN-LSTM网络，得到信号调制识别结果。

进一步的步骤一具体如下：

采集得到多种不同调制信号样本集，对各种调制信号进行正交解调，得到同相分类(Q路分类)和正交分量(I路分类)，再由I、Q两路信号并行组成源数据集；

进一步的，步骤二具体如下：