[发明专利]一种基于分数低阶极坐标和深度学习的调制识别方法

权利要求书

1.一种基于分数低阶极坐标和深度学习的调制识别方法，其特征在于，包括以下步骤：

A：采集信号并对其进行分数低阶处理；

B：计算分数低阶极坐标特征并制作训练集和测试集；

C：构建与训练轻量化的深度学习网络；

D：测试深度学习网络并进行信号调制方式识别。

2.根据权利要求1所述的一种基于分数低阶极坐标和深度学习的调制识别方法，其特征在于，所述步骤A包括：

A1：采集受脉冲性噪声干扰的不同调制方式的信号：通过计算机仿真或利用接收设备从自然界中采集足量的受脉冲性噪声干扰的信号，并以Alpha稳定分布来刻画这种非高斯噪声；采用广义信噪比衡量脉冲性噪声的强度，其定义式为：

GSNR＝10log₁₀(P_s/P_n)

上式中，P_s表示信号的功率，P_n表示噪声的广义功率，P_n＝γ，γ表示Alpha稳定分布的尺度参数；

A2：对采集到的信号进行分数低阶处理：利用分数低阶映射函数对采集的信号进行分数低阶处理，具体公式如下：

y_FLO(n)＝(y(n))^p-1

＝ρ_FLO(n)exp(jθ_FLO(n))

式中，n表示采样时刻所对应的离散时间变量，y(n)表示经采样后的信号序列，y_FLO(n)表示经分数低阶处理后的信号序列，ρ_FLO表示信号的极径，θ_FLO表示信号的极角，·表示分数低阶操作符，分数低阶函数满足如下关系式：

式中，z表示复数域中的一个复数，上角标*表示共轭操作符。

3.根据权利要求1所述的一种基于分数低阶极坐标和深度学习的调制识别方法，其特征在于，所述步骤B包括：

B1：计算分数低阶处理后的信号的分数低阶极坐标特征：以信号的极角θ_FLO作为横坐标，以信号的极径ρ_FLO作为纵坐标，按照采样时刻n逐一提取信号所对应的分数低阶极坐标特征；

B2：将上述特征充分混合，并将混合后的特征按照一定比例组成训练集、验证集和测试集：将上述步骤B1中得到的分数低阶极坐标特征打乱并充分混合，然后按照m₁:m₂:m₃的比例分别组成训练集、验证集和测试集。

4.根据权利要求3所述的一种基于分数低阶极坐标和深度学习的调制识别方法，其特征在于，所述m₁:m₂:m₃＝6:2:2。

5.根据权利要求3所述的一种基于分数低阶极坐标和深度学习的调制识别方法，其特征在于，所述步骤C包括：

C1：采用较少卷积层来构建一个轻量化的深度学习网络；

C2：将步骤B2中所得的训练集作为输入，对其进行训练，训练过程中，采用交叉熵作为损失函数，使用RMSprop作为网络优化器，并设定学习率为0.01，实现模参数的更新；

C3：将验证集中的特征作为步骤C1中的深度学习网络的输入，对其进行验证。

6.根据权利要求5所述的一种基于分数低阶极坐标和深度学习的调制识别方法，其特征在于，所述步骤D包括：

D1：将测试集中的特征作为C1中的深度学习网络的输入，对其进行测试；

D2：将未知调制方式的信号的分数低阶极坐标特征作为步骤C1中的深度学习网络的输入，经过模型训练后得到不同信号调制方式的识别结果。