[发明专利]基于CNN-LSTM的识别SFBC的方法及装置

权利要求书

1.一种基于CNN-LSTM的识别SFBC的方法，其特征在于，包括以下步骤：

获取接收信号的相关函数，并提取所述相关函数的傅里叶变换公式，所述相关函数的计算公式为：

y(k)＝r(k)r(k+N/2),k＝0,1,…M，

其中，N为所述接收信号的长度，y＝[y(0),y(1),…y(K-1)]为所述接收信号的相关函数；

分别将所述傅里叶变换公式的实部与虚部分开排列，并将包含标签的训练数据输入CNN-LSTM网络进行训练，直至网络收敛，得到最终CNN-LSTM网络，其中，所述最终CNN-LSTM网络由1层卷积层、1层池化层、3层循环层和2层全连接层构成，其中，所述卷积层采用256个2*1的卷积核对信号进行卷积，得到256个1X128维的特征图；所述池化层对所述卷积层的输出进行降维处理，以缩小特征图尺寸，将合并后大小为1X128的一维信号降为1X64；每层循环层包括三层长短期记忆网络，用于处理卷积后的一维信号，以挖掘所述接收信号的时序信息；网络的输出为1X2维的独热编码形式，SM码对应[1 0]，AL码对应[0 1]；输出层采用Soft-max作为激活函数，其余网络均采用ReLU作为激活函数；以及

获取无标签的待识别数据，将所述待识别数据输入所述最终CNN-LSTM网络中进行识别，得到SFBC识别结果。

2.根据权利要求1所述的方法，其特征在于，SM信号的信号数据的频谱图没有峰值，且AL信号的频谱图每隔具有峰值。

3.一种基于CNN-LSTM的识别SFBC的装置，其特征在于，包括：

获取模块，用于获取接收信号的相关函数，并提取所述相关函数的傅里叶变换公式，所述相关函数的计算公式为：

y(k)＝r(k)r(k+N/2),k＝0,1,…M，

其中，N为所述接收信号的长度，y＝[y(0),y(1),…y(K-1)]为所述接收信号的相关函数；

训练模块，用于分别将所述傅里叶变换公式的实部与虚部分开排列，并将包含标签的训练数据输入CNN-LSTM网络进行训练，直至网络收敛，得到最终CNN-LSTM网络，其中，所述最终CNN-LSTM网络由1层卷积层、1层池化层、3层循环层和2层全连接层构成，其中，所述卷积层采用256个2*1的卷积核对信号进行卷积，得到256个1X128维的特征图；所述池化层对所述卷积层的输出进行降维处理，以缩小特征图尺寸，将合并后大小为1X128的一维信号降为1X64；每层循环层包括三层长短期记忆网络，用于处理卷积后的一维信号，以挖掘所述接收信号的时序信息；网络的输出为1X2维的独热编码形式，SM码对应[1 0]，AL码对应[0 1]；输出层采用Soft-max作为激活函数，其余网络均采用ReLU作为激活函数；以及

识别模块，用于获取无标签的待识别数据，将所述待识别数据输入所述最终CNN-LSTM网络中进行识别，得到SFBC识别结果。

4.根据权利要求3所述的装置，其特征在于，SM信号的信号数据的频谱图没有峰值，且AL信号的频谱图每隔具有峰值。

5.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-2任一项所述的基于CNN-LSTM的识别SFBC的方法。

6.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-2任一项所述的基于CNN-LSTM的识别SFBC的方法。