[发明专利]一种基于轻量化网络的调制方式智能识别方法

说明书

本发明公开了一种基于轻量化网络的调制方式智能识别方法，其主要解决了现有调制方式智能识别方法网络规模复杂、参数量大、预测准确度低、收敛速度慢等问题。其实现步骤是：信号数据采集；建立类别标签；I/Q数据预处理；根据线性瓶颈结构和反向残差结构搭建网络模型；利用训练数据训练网络模型；判断网络是否训练结束；将测试集数据输入网络；输出测试结果。本发明通过加入深度可分离卷积、线性瓶颈结构和反向残差网络，不仅使得网络规模大幅下降，而且在保证识别准确性的同时提升了收敛速度，能够应用到实际通信场景中；相比于其他传统的卷积神经网络模型方法提升了调制方式智能识别性能。

技术领域

本发明属于无线通信领域，具体地说，涉及一种基于轻量化网络的调制方式智能识别方法。

背景技术

调制方式智能识别是无线通信网络中至关重要的一部分，也是认知无线电的主要方法之一。调制方式智能识别基于来自不同器件接受的信号，识别其不同的调制类型，有助于恢复传输信息、确定合适的解调方法。同时，能够在频谱资源紧缺的情况下提高频谱利用的效率，是无线通信中不可或缺的智能通信技术。现有的调整方式智能识别技术可分为两种，基于模型驱动的方法和基于数据驱动的方法。基于模型的方法又分为基于似然函数的方法和基于特征的方法。基于似然函数的方法将调制方式智能识别作为一个假设检验问题。而基于特征的方法旨在寻找接收信号的更好的特征。但这两种方法计算复杂度较高，而且需要完整的先验知识。

近年来，基于数据驱动的方法，可直接从原始数据之间的差异出发，敏锐捕捉到涉及类别之间区别的信息，来进行调制分类。如I/Q样本基于深度学习的自动调制分类方案由于其优越的精度而受到了广泛的关注。O’Shea T J,Roy T,Clancy T C在其发表的论文“Over-the-air deep learning based radio signal classification”(IEEE Journalof Selected Topics in Signal Processing.,vol.12,no.1,pp.168-179,2018)中基于RadioML2018.01A数据集提出了两种定制的网络架构，VGG和ResNet，它将接收信号的同相部分和正交部分(I/Q)作为提取特征的输入，并用实验证明了在该数据驱动方法下精度得到了显著提升。但是这些网络其规模较大，参数量和计算量都对计算机设备有较高的要求，超出了许多移动式和可便携式设备的能力。Tunze G B,Huynh-The T,Lee J M等人发表的论文“Sparsely connected CNN for efficient automatic modulation recognition”(IEEE Transactions on Vehicular Technology,vol.69,no.12,pp.15557-15568,2020.)中提出了一种使用轻量化网络MobilNets中的深度卷积和点卷积的网络架构，SCGNet，提取了深度特征，保证随着网络模型的深入能够保留数据细节，同时也减小了计算复杂度。但该网络的精度却有所下降。

上述方法存在网络精确性和复杂性之间的矛盾问题，难以实际利用。如何在这两者之中进行权衡，保证部署高效深度学习架构的同时，减少移动应用程序中的复杂性(即训练时间、计算成本和内存费用)，满足未来无线通信网络轻量化需求，亟需开发新的调制方式智能识别方案。

因此，确有必要对上述现有技术存在的问题进行改进，以解决现有技术的不足。

发明内容

本发明针对现有调制方式智能识别技术在实际通信场景中面临网络模型的精确性和网络规模轻量化需求的矛盾，提出了一种基于轻量化网络的调制方式智能识别方法，在大幅减小网络规模参数的同时，保证了网络的预测精度，且网络收敛速度较快。

为实现上述目的，本发明的基于轻量化网络的调制方式智能识别方法，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；