[发明专利]一种信号调制识别方法在审

专利信息
申请号: 202210532212.9 申请日: 2022-05-09
公开(公告)号: CN114912489A 公开(公告)日: 2022-08-16
发明(设计)人: 许华;庞伊琼;蒋磊;史蕴豪;彭翔 申请(专利权)人: 中国人民解放军空军工程大学
主分类号: G06K9/00 分类号: G06K9/00;G06K9/62;G06N3/04;G06N3/08;H04L27/00
代理公司: 西安亚信智佳知识产权代理事务所(普通合伙) 61241 代理人: 骆怡洁
地址: 710038 陕西*** 国省代码: 陕西;61
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 信号 调制 识别 方法
【说明书】:

本公开是关于一种信号调制识别方法。该方法包括:利用卷积神经网络和长短时记忆网络构建特征提取网络,并向特征提取网络中引入卷积注意力机制;采用训练集对引入卷积注意力机制后的特征提取网络进行训练,得到训练好的特征提取网络;通过测试集对训练好的特征提取网络进行测试,确定测试集中待识别信号样本的调制样式。通过上述信号调制识别方法,通过构建特征提取网络,并向其引入卷积注意力机制,利用训练集对引入卷积注意力机制的特征提取网络进行训练,以使训练好的特征提取网络学习信号分类经验,训练完成的特征提取网络具有很好的泛化性能,在测试集对训练完成的特征提取网络进行测试时,可以实现确定出测试集中待识别信号样本的调制样式。

技术领域

本公开涉及信号处理技术领域,尤其涉及一种信号调制识别方法。

背景技术

通信信号调制识别技术是电磁频谱管理、通信侦察、电子对抗等领域的关键技术之一,在军用和民用领域都有现实的研究意义。传统的调制识别方法可分为基于决策论的似然比检验方法和基于特征提取的模式识别方法,但这两类方法都有其局限性。似然比检验方法分类模型参数是针对特殊环境设置的,环境的微小偏差都会使识别准确率下降;特征提取的模式识别方法依赖于人工提取的特征,对于特征的表征性要求较高。

相关技术中,深度卷积神经网络(Convolution Neural Network,CNN)于2016年首次被用于解决调制识别问题,但是基于深度学习的调制识别算法都需要通过至少数千个带标签样本训练网络参数,否则会造成严重的过拟合问题,然而在实际侦察环境中,面对新出现的调制类型,往往无法获得足够的带标签样本,这很大程度上限制了深度学习在调制识别中的应用,因此需要对小样本条件下的调制识别方法进行深入研究。

数据增强和迁移学习(Transfer Learning,TL)是针对样本数据量不足的主要解决方案。但是数据增强旨在通过借助已有的一些信息生成新数据,扩充训练样本集。通过一个全连接网络对大量无标签数据进行自动标注,在训练集每类调制信号只有600个时就能达到85%以上的平均识别率。采用生成对抗网络拟合生成数据,实现对数据集的扩充和识别。而迁移学习通常先在源数据集上进行预训练,然后通过目标数据集对网络的顶层进行参数微调,适用于目标数据集与源数据集分布相似的问题。通过使用基于参数的迁移学习方法对网络模型进行预优化,减少了对样本量的需求,采用预训练过的AlexNet网络进行调制识别,在目标数据集每类信号只有100个时达到了89%以上的识别准确率。数据增强和迁移学习对于每种目标调制类型仍需要至少数百个训练样本,然而侦察环境中有时只能获取十几个甚至几个新出现的调制信号样本,远不能满足以上两种方法对样本量的需求,在这种极少量样本条件下以上两种方法都难以适用。

因此,有必要提供一种新的技术方案改善上述方案中存在的一个或者多个问题。

需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种信号调制识别方法,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开实施例提供的一种信号调制识别方法,该方法包括:

利用卷积神经网络和长短时记忆网络构建特征提取网络,并向所述特征提取网络中引入卷积注意力机制;

采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练,得到训练好的特征提取网络;

通过测试集对训练好的所述特征提取网络进行测试,确定所述测试集中待识别信号样本的调制样式。

本公开的实施例中,所述采用训练集对引入所述卷积注意力机制后的特征提取网络进行训练,得到训练好的特征提取网络的步骤包括:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军空军工程大学,未经中国人民解放军空军工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210532212.9/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top