[发明专利]基于One2ThreeNet的信号调制方式识别方法

权利要求书

1.一种基于One2ThreeNet的信号调制方式识别方法，其特征在于，包括以下步骤：

S1：接收水声信号之后进行预处理：对信号进行归一化操作与维度重构；预处理后的数据集分为训练集和测试集；

S2：搭建One2ThreeNet神经网络模型：包括One2Three Block、Dual-SE Block和全连接层、输出层构成；

S3：利用所述训练集对练所述One2ThreeNet神经网络模型进行训练；

S4：利用S3训练好的模型，输入测试集数据或接收到的水声信号经过S1预处理后，识别所接收水声信号的调制方式，输出。

2.如权利要求1所述的信号调制方式识别方法，其特征在于，所述S1具体为：

S1-1：归一化操作公式为：

；

其中，为长度为N的原始信号，X为归一化后的信号，max为原始信号的最大值,min为原始信号的最小值，该操作将信号的幅度限定在［0,1］之间；

S1-2：微观尺度选取：

S1-21：确定信号的码元长度；

信号的码元长度公式如下：

；其中，为接收机的采样频率，为信号的码元速率；

S1-22：确定信号的微观尺度：

信号的三个微观尺度分别为半码元尺度、单码元尺度、双码元尺度，计算方式如下：

；

S1-3：维度重构：将归一化后的信号X裁剪为3段长度分别为,以及的一维序列，然后分别重构成维,以及的二维矩阵；其中，16为LSTM的时间步个数。

3.如权利要求1所述的信号调制方式识别方法 ，其特征在于，所述S2中One2ThreeNet神经网络模型的整体结构和流程设计：长度为N的信号序列经由S1预处理后，输入One2Three Block中，经过裁剪重构与时序特征提取得到16×16×3的特征图；然后，采用16个1×1的卷积滤波器将特征图的通道数目拓展为16并输入第一个Dual-SE Block中，得到16×16×16的特征图；采用32个1×1的卷积滤波器将通道数再一次拓展并输入到第二个Dual-SE Block中，得到16×16×32的特征图；为了减少网络计算量，One2ThreeNet对该特征图进行2×2的最大池化操作将特征图压缩为8×8×32，然后通过扁平层将特征图重构为1×2048的特征向量，最后经由2层全连接神经网络与Softmax激活函数，得到不同调制方式的预测概率。

4.如权利要求1所述的信号调制方式识别方法，其特征在于，所述S2中，所述One2ThreeBlock由3个时间步个数为16但输入维度不一致的长短时记忆网络构成，将S1得到的二维矩阵分别输入3个由LSTM构成的基特征提取器中，使得网络可从半码元、单码元、双码元三个微观尺度对信号进行特征提取，得到3个16×16的二维特征矩阵，最后将它们在第三个维度上拼接，得到16×16×3的特征图，实现了从一维序列到三通道特征图的转化，进而实现时序特征提取。

5.如权利要求4所述的信号调制方式识别方法，其特征在于，所述长短时记忆网络输出层与隐藏层计算公式如下：

；

其中，为权重矩阵，代表Sigmoid激活函数，算子代表矩阵的点乘运算，为上一个时间步的隐藏层状态向量，它与拼接后的向量构成了第t个时间步的输入；分别代表遗忘门，输入门以及输出门的门控权重，共同决定了当前时刻的长时间记忆从过去时间步中保留的以及从当前时间步中学习的信息量。