[发明专利]基于一维深度残差轻量网络的编码调制联合识别方法

摘要

本发明公开一种基于一维深度残差轻量网络的编码调制联合识别方法，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)构建一维深度残差轻量网络模型；(4)训练一维深度残差轻量网络模型；(5)将测试样本集输入到训练好的一维深度残差轻量网络模型中进行测试，获得识别准确率，评估网络性能。本发明是一种通用的无线电信号特征提取方法，具有普适性好、鲁棒性强、识别准确率高、网络参数少、识别信号类型多的优点，可用于实际复杂通讯环境下的无线电信号的编码与调制方式的联合识别。

主权项

1.一种基于一维深度残差轻量网络的编码调制联合识别方法，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种类型的调制信号，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)构建一维深度残差轻量网络模型：/n(3a)搭建一个自动提取编码调制联合信号特征的一维深度残差轻量网络模型，其结构如下：输入层→第一个卷积块→第一个一致块→第二个卷积块→第二个一致块→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→激活层→输出层；其中，每个卷积块包括4个一维卷积层，每个一致块包括3个一维卷积层，一维深度残差轻量网络模型共有两个卷积块和两个一致块，共计14个一维卷积层；/n每个卷积块设置主路和捷径两个并行的支路：每个主路的结构设置为：卷积块主路的第一个卷积层→卷积块主路的第一个批规范化层→卷积块主路的第二个卷积层→卷积块主路的第二个批规范化层→卷积块主路的第三个卷积层→卷积块主路的第三个批规范化层→卷积块的融合层；每个捷径的结构设置为：卷积块捷径的卷积层→卷积块捷径的批规范化层→卷积块的融合层；/n每个一致块设置主路和捷径两个并行的支路：每个主路的结构设置为：一致块主路的第一个卷积层→一致块主路的第一个批规范化层→一致块主路的第二个卷积层→一致块主路的第二个批规范化层→一致块主路的第三个卷积层→一致块主路的第三个批规范化层→一致块的融合层；每个捷径直接连接一致块的输入和一致块的融合层；/n(3b)设置一维深度残差轻量网络模型中14个一维卷积层的参数如下：/n在第一个卷积块中，将卷积块主路的第一个卷积层设置为32个卷积核，每个卷积核为1×13的窗口；将卷积块主路的第二个卷积层设置为32个卷积核，每个卷积核为1×15的窗口；将卷积块主路的第三个卷积层设置为64个卷积核，每个卷积核为1×17的窗口；将卷积块捷径的卷积层设置为64个卷积核，每个卷积核为1×13的窗口；/n在第一个一致块中，将一致块主路的第一个卷积层设置为32个卷积核，每个卷积核为1×13的窗口；将一致块主路的第二个卷积层设置为32个卷积核，每个卷积核为1×15的窗口；将一致块主路的第三个卷积层设置为64个卷积核，每个卷积核为1×17的窗口；/n在第二个卷积块中，将卷积块主路的第一个卷积层设置为32个卷积核，每个卷积核为1×15的窗口；将卷积块主路的第二个卷积层设置为32个卷积核，每个卷积核为1×17的窗口；将卷积块主路的第三个卷积层设置为64个卷积核，每个卷积核为1×19的窗口；将卷积块捷径的卷积层设置为64个卷积核，每个卷积核为1×15的窗口；/n在第二个一致块中，将一致块主路的第一个卷积层设置为32个卷积核，每个卷积核为1×15的窗口；将一致块主路的第二个卷积层设置32个卷积核，每个卷积核为1×17的窗口；将一致块主路的第三个卷积层设置64个卷积核，每个卷积核为1×19的窗口；/n其中，一维深度残差轻量网络模型中除14个一维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每个卷积块和每个一致块的融合层都设置为求和函数add；/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激活层层设置为多分类函数softmax；/n输出层设置为31个输出神经单元；/n(3c)将一维深度残差轻量网络模型的损失函数设置为对数损失函数，选择一维深度残差轻量网络模型的优化算法为基于自适应矩阵估计的优化算法adam，将一维深度残差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)设置训练一维深度残差轻量网络模型时的训练次数，早期停止机制；/n(4)训练一维深度残差轻量网络模型：/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一维深度残差轻量网络模型中；/n(4b)训练一维深度残差轻量网络模型，当达到一维深度残差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，得到训练好的一维深度残差轻量网络模型；/n(5)获得识别准确率：/n(5a)将测试样本集输入到训练好的一维深度残差轻量网络模型中，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