[发明专利]基于门控循环单元深度网络的智能时序信号分类方法

摘要

本发明公开一种基于门控循环单元深度网络的智能时序信号分类方法，其实现步骤为：(1)构建编码调制联合时序信号；(2)生成训练样本集和测试样本集；(3)搭建门控循环单元深度网络模型；(4)设置门控循环单元深度网络的参数；(5)训练门控循环单元深度网络模型；(6)获得分类准确率。本发明不需要人工特征提取和大量先验知识，可以对一维信号进行自动的特征提取和准确的信号分类，具有复杂度低，分类结果准确、稳定等优点，可用于军事和民用通信领域中。

主权项

1.一种基于门控循环单元深度网络的智能时序信号分类方法，其特征在于：包括如下步骤：/n(1)构建编码调制联合时序信号：/n(1a)将接收到的每一个无线电信号信息序列，依次进行四种方式的信道编码，得到编码后的编码信号；/n(1b)将编码后的每一个编码信号，依次进行六种方式的信号调制，得到编码调制联合时序信号；/n(2)生成训练样本集和测试样本集：/n(2a)对每个编码调制联合时序信号中的多个信息点以100个信息点为间隔进行采样，连续采集500个信息点组成一个信号样本，将所有的编码调制联合时序信号样本组成信号样本集；/n(2b)从信号样本集中随机抽取80％的信号样本组成训练样本集，从剩余的20％样本中随机抽取10％的样本组成验证样本集，样本集中所有的剩余10％信号样本作为测试样本集；/n(3)搭建门控循环单元深度网络模型：/n(3a)搭建一个自动提取时序信号特征和对无线电时序信号进行智能分类的10层门控循环单元深度网络，其结构为：输入层→卷积层1→池化层1→卷积层2→池化层2→门控循环单元层→全连接层1→全连接层2→分类器层→输出层；/n(3b)设置门控循环单元深度网络模型中的损失函数为交叉熵、优化算法为基于自适应矩阵估计优化算法adam、激活函数为修正线性单元激活函数；/n(4)设置门控循环单元深度网络的参数：/n(4a)设置输入层为500个输入神经单元，将批处理大小设置为512个；/n(4b)设置卷积层的卷积核参数如下：第一卷积层为64个卷积核，每个卷积核为1×17的矩阵；第二卷积层为128个卷积核，每个卷积核为1×19的矩阵；/n(4c)设置第一池化层、第二池化层为最大池化方式；分类器层为多分类函数Softmax；/n(4d)门控循环单元层输出维度为256，激活函数为双曲正切函数；/n(4e)设置门控循环单元深度网络中第一个全连接层和第二个全连接层的神经元个数分别为64和24；/n(5)训练门控循环单元深度网络模型：/n将训练样本集输入到门控循环单元深度网络模型中训练15次，得到训练好的门控循环单元深度网络模型；/n(6)获得分类准确率：/n(6a)将测试样本集输入到训练好的门控循环单元深度网络模型中，得到分类结果；/n(6b)将识别结果与测试集的真实类别对比，统计分类正确率。/n