[发明专利]一种基于CNN和组合高阶谱图像的调制样式识别方法和系统

权利要求书

1.一种基于CNN和组合多种高阶谱特征图像的调制样式识别方法，其特征在于，包括以下步骤：

(1)接收来自信号源的射频信号，对该射频信号进行模数转换，以得到数字信号，对该数字信号先后进行数字下变频和滤波处理，以得到I/Q数据；

(2)对步骤(1)得到的I/Q数据进行预处理，以得到组合高阶谱图像；

(3)获取步骤(1)得到的I/Q数据的信噪比，并判断该信噪比是否大于等于预设阈值，如果是则进入步骤(4)，否则进入步骤(5)；

(4)将步骤(2)得到的组合高阶谱图像输入训练好的第一卷积神经网络模型，以得到调制样式识别结果，过程结束；

(5)将步骤(2)得到的组合高阶谱图像输入训练好的第二卷积神经网络模型，以得到调制样式识别结果，过程结束；第一卷积神经网络模型和第二卷积神经网络模型是通过以下步骤训练得到的：

(a1)使用随机数作为信源，使用多种调制样式生成对应于各种调制样式的调制信号，对每种调制样式对应的调制信号按照信噪比从1dB到24dB、并以1dB为间隔生成不同信噪比下的信号样本，并对这些信号样本进行滤波成型处理，以得到每种调制样式对应的多个信号样本，所有这些信号样本构成该调制样式对应的I/Q数据集；

(a2)对步骤(a1)得到的每种调制样式对应的I/Q数据集进行预处理，以得到每种调制样式对应的多个组合高阶谱图像；

(a3)对步骤(a2)得到的每种调制样式对应的多个组合高阶谱图像按照该组合高阶谱图像对应的信号样本的信噪比范围1db～13db和12db～24db进行划分，以得到第一组合高阶谱图像集合和第二组合高阶谱图像集合；

(a4)针对步骤(a3)得到的第一组合高阶谱图像集合中的组合高阶谱图像而言，按照训练集图像和测试集图像比例7：3对其进行划分，并将测试集图像按照5:5的比例划分为训练测试集图像和验证集图像，并将训练集图像输入第一卷积神经网络模型；

(a5)使用反向传播算法对第一卷积神经网络模型中每层的权重参数和偏置参数进行更新和优化，以得到更新后的第一卷积神经网络模型；

(a6)对步骤(a5)更新后的第一卷积神经网络模型进行迭代训练，直到该第一卷积神经网络模型的损失函数达到最小为止，从而得到初步训练好的第一卷积神经网络模型；

(a7)使用步骤(a4)得到的训练测试集图像对初步训练好的第一卷积神经网络模型进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的第一卷积神经网络模型；

(a8)针对步骤(a3)得到的第二组合高阶谱图像集合中的组合高阶谱图像而言，按照训练集图像和测试集图像比例7：3对其进行划分，将测试集图像按照5:5的比例划分为训练测试集图像和验证集图像，并将训练集图像输入第二卷积神经网络模型；

(a9)使用反向传播算法对第二卷积神经网络模型中每层的权重参数和偏置参数进行更新和优化，以得到更新后的第二卷积神经网络模型；

(a10)对步骤(a9)更新后的第二卷积神经网络模型进行迭代训练，直到该第二卷积神经网络模型的损失函数达到最小为止，从而得到初步训练好的第二卷积神经网络模型；

(a11)使用步骤(a8)得到的训练测试集图像对初步训练好的第二卷积神经网络模型进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的第二卷积神经网络模型。

2.根据权利要求1所述的基于CNN和组合多种高阶谱特征图像的调制样式识别方法，其特征在于，

步骤(1)中的数字下变频处理是采用以下公式：

其中S_i(x)表示输入信号，S_o(x)表示输出信号，i表示虚数，f_c为载波频率，f_s为采样率，t为时间；

步骤(1)中的滤波处理是使用的有限长单位冲击响应滤波器FIR算法。