[发明专利]一种基于轻量化网络的调制方式智能识别方法

权利要求书

1.一种基于轻量化网络的调制方式智能识别方法，其特征在于，包括如下步骤：

步骤一、信号数据采集，对接收信号的同相部分I和正交部分Q进行向量转换处理，形成调制识别信号；

步骤二、建立类别标签，根据采集到的调制识别信号，建立对应的类别标签文件；

步骤三、进行I/Q数据预处理；

步骤四、网络模型搭建；

步骤五、利用训练数据训练网络模型；

步骤六、判断网络训练是否结束，若是，则执行步骤七，若否，将训练迭代次数加一后继续进行步骤五训练网络；

步骤七、将测试集数据输入网络；

步骤八、输出测试结果。

2.根据权利要求1所述的一种基于轻量化网络的调制方式智能识别方法，其特征在于，步骤一中，接收信号调制分类可以被确定为一个K类假设检验，设在第k次调制假设下的接收信号H_k为

H_k：x_k(n)＝s_k(n)+ω_k(n)，n＝1，2，...，N

其中，s_k(n)表示传输信号，x_k(n)表示接收信号，N为信号符号数，ω_k(n)为均值为零、方差为σ²的加性高斯白噪声，将接收信号x_k(n)的同相部分I和正交部分Q直接输入到神经网络，无需进行归一化，通过将接收信号x_k(n)转换为向量x_k，将I/Q信号样本表示为一个向量，给定为

其中，I_k和Q_k分别表示接收信号的同相部分和正交部分。

3.根据权利要求1所述的一种基于轻量化网络的调制方式智能识别方法，其特征在于，步骤三中，接收所述的信号样本后，利用基于深度学习方案从原始数据中提取特征，将其输入到全连接层中，进行特征维数的转换，特征学习表示为将原始数据映射到L维向量y的过程，给定为

其中，映射函数f表示具有全连接层的特征学习模型，表示x_k所处的向量空间，y表示全连接层输出的特征向量，表示y所处的向量空间。

4.根据权利要求1所述的一种基于轻量化网络的调制方式智能识别方法，其特征在于，步骤四包括以下几个步骤，

步骤4a，在输入阶段，将信号样本的原始数据转换为张量，匹配深度学习框架的要求；

步骤4b，利用线性瓶颈结构和反向残差结构搭建网络，从输入信号中提取特征，利用平均池化层来适应输入长度；

步骤4c，设置宽度因子超参数，调整输入和输出的维度，从而进一步调整网络参数量。

5.根据权利要求4所述的一种基于轻量化网络的调制方式智能识别方法，其特征在于，步骤4b中，

网络结构采用了线性瓶颈结构和反向残差结构，通过深度卷积和逐点卷积构建的反向残差结构充分提取数据特征，减少参数量并保证其精度，每个卷积层后使用批量规范化加快训练收敛速度，并使用ReLU6非线性函数激活，所述的网络结构包含一个卷积层，14个线性瓶颈结构，卷积核大小为3×3，并在训练过程中加入批规范化，

首先，利用3×3、步长为2的卷积层，通过深度卷积将特征维数2升至32，

然后，依次通过14个线性瓶颈结构，设每个线性瓶颈结构的扩张因子为t，输入维度为M，先使用逐点卷积提升维度数至t×M，之后进行线性瓶颈结构的重复训练，重复时只有第一个线性瓶颈结构中的步长为s，其余默认为1，经过逐点卷积压缩输出维度，线性瓶颈结构将维度数升至128，再通过一个1×1的卷积层，将维度数升至512，

最后，采用平均池化层进行池化操作，降低特征维度，生成分类结果，将前面线性瓶颈结构生成的输出维度输入到平均池化层中，对最后一个卷积层中每个对应通道的每个输出维度进行平均，平均池化层的输出维度为C×1×1，C为输出通道数。