[发明专利]基于多尺度轻量网络的无线电信号认知识别方法

摘要

本发明公开一种基于多尺度轻量网络的无线电信号认知识别方法，其实现步骤为：(1)生成29种编码调制联合信号和2种调制信号；(2)生成训练样本集和测试样本集；(3)构建多尺度轻量网络模型；(4)设置多尺度轻量网络模型的参数；(5)训练多尺度轻量网络模型；(6)将测试样本集输入到训练好的多尺度轻量网络模型中进行测试，获得识别准确率。本发明具有模型轻量化、普适性强、训练参数少、识别的无线电信号类型多，分类精度高的优点，可用于信号分类识别技术领域中。

主权项

1.一种基于多尺度轻量网络的无线电信号认知识别方法，其特征在于：包括如下步骤：/n(1)生成29种编码调制联合信号和2种调制信号：/n(1a)将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码，生成不同的编码信号；/n(1b)将不同的编码信号按照频段的不同进行调制，生成29种类型的编码调制联合信号；其中短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本；/n(1c)对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式进行单独调制，生成2种调制信号，每种15000个信号样本；/n(2)生成训练样本集和测试样本集：/n(2a)对29种类型的编码调制联合信号和2种调制信号，每一个信号样本的所有信息点，以100个信息点为间隔进行采样，将每次连续采集440个信息点组成一个信号样本，将所有的信号样本组成信号样本集；/n(2b)从生成的信号样本集中随机抽取80％的样本，组成训练样本集，从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集，将整个信号样本集最后余下的10％作为测试样本集；/n(3)构建多尺度轻量网络模型：/n(3a)搭建一个用于自动提取编码调制联合信号特征的22层多尺度轻量网络模型，其结构如下：输入层→第一个多尺度卷积层→第一个拼接操作层→池化层→第二个多尺度卷积层→第二个拼接操作层→池化层→第三个多尺度卷积层→第三个拼接操作层→池化层→第四个多尺度卷积层→第四个拼接操作层→池化层→第五个多尺度卷积层→第五个拼接操作层→池化层→第一个全连接层→第一个批规范化层→第二个全连接层→第二个批规范化层→分类器层→输出层；/n每个多尺度卷积层均设置三个并行的支路，每个支路仅设置有一个一维卷积层；/n其中，多尺度轻量网络模型中除多尺度卷积层之外的其他结构层参数设置如下：/n输入层设置为440个神经单元；/n池化层设置为最大池化；/n第一个全连接层设置为64个全连接神经元；/n第二个全连接层设置为31个全连接神经元；/n分类器层设置为多分类函数Softmax；/n拼接操作层均设置为一个矩阵拼接函数，对多尺度卷积层中的三个支路的输出结果进行拼接；/n输出层设置为31个输出神经单元；/n(3b)设定多尺度轻量网络模型中的参数；/n(3c)将多尺度轻量网络模型的损失函数设置为对数损失函数，将多尺度轻量网络模型的优化算法选择为基于自适应矩阵估计的优化算法adam，将多尺度轻量网络模型的激活函数设置为修正线性单元激活函数；/n(3d)设置训练多尺度轻量网络模型时的训练次数，早期停止机制；/n(4)训练多尺度轻量网络模型：/n(4a)打乱训练样本集和验证样本集中所有样本的排列顺序，将训练样本集和验证样本集输入到多尺度轻量网络模型中；/n(4b)训练多尺度轻量网络模型直至达到多尺度轻量网络设置的训练次数或满足早期停止机制的条件时，完成神经网络的训练过程，得到训练好的多尺度轻量网络模型；/n(5)获得识别准确率：/n(5a)将测试样本集输入到训练好的多尺度轻量网络模型中，得到识别结果；/n(5b)将识别结果与测试集的真实类别对比，统计识别正确率。/n