一种通信信号调制识别的自动模型压缩方法技术

一种通信信号调制识别的自动模型压缩方法，从数据出发，积累一定的数据以满足模型学习的要求，从足够的数据中挖掘数据特征的表示方式，采用深度确定性策略梯度算法，对于每个卷积层分别计算最优的剪枝比例，能够在加快推理速度的同时最小化重构误差，有助于通信信号调制识别过程中深度学习网络模型的自动压缩，能够替代人工参数调整。能够替代人工参数调整。能够替代人工参数调整。

【技术实现步骤摘要】
一种通信信号调制识别的自动模型压缩方法


[0001]本专利技术涉及一种通信信号调制识别的自动模型压缩方法，属于通信信号调制识别


技术介绍

[0002]通信信号调制识别通过对接收信号进行一系列信号处理获取信号的调制方式，可为选择合适的信号解调器提供依据，自动调制识别在军事和民用领域上均具有一定的意义和价值。采用深度学习方法搜索通信信号调制识别的神经网络模型时，残差网络调制识别模型可以较好的完成识别任务，但是，由于计算复杂度较高，模型参数量较大，限制了其在一些便携式设备端的部署和应用。实际应用过程中，在已有模型的基础上进行压缩裁剪，可以实现在保证精度的同时，获得一个更快、更小的模型。

技术实现思路

[0003]本专利技术解决的技术问题是：针对目前现有技术中，传统残差网络调制识别模型参数量较大，在便携式设备端应用容易被限制的问题，提出了一种通信信号调制识别的自动模型压缩方法。
[0004]本专利技术解决上述技术问题是通过如下技术方案予以实现的：
[0005]一种通信信号调制识别的自动模型压缩方法，步骤如下：
[0006](1)将接收的通信信号按指定数量码元按序排列为码元图像，将通信信号转化为调制样式纹理图像进行识别；
[0007](2)构建残差网络结构模型；
[0008](3)设置最优稀疏比例参数，根据重构误差对残差网络结构模型每一层卷积网络进行通道剪枝；
[0009](4)对步骤(3)所得通道剪枝后的裁剪模型进行微调并获取所得模型的最终权值。/>[0010]所述步骤(3)中，最优稀疏比例参数的获取方法具体为：
[0011]根据残差网络结构模型各层卷积网络的参数、当前滤波器权值定义深度确定性策略梯度状态空间，根据目标错误率与单次浮点运算次数的乘积构建奖励函数，通过DDPG算法确定最大奖励函数时的确定性策略，获取最优稀疏比例参数a
t
，取值范围为[0,1]。
[0012]所述步骤(3)中，对残差网络结构模型每一层卷积网络进行通道剪枝的具体为：
[0013]根据最优稀疏比例参数，对每一层卷积网络序列进行裁剪通道选择，预设待裁剪的特征层，裁剪特征层的通道个数，并根据最小化重构误差定义目标函数进行判断，保持原始输出及压缩输出变化在最小范围内。
[0014]所述特征层包括c个通道、n个大小为c
×
k
h
×
k
w
的滤波器，特征层共生成N个卷积滤波对象，特征层所在卷积网络共生成N
×
n个输出结果。
[0015]所述最小化重构误差定义目标函数具体为：
[0016][0017]式中，α为加权系数，W为滤波器全权值矩阵，N为样本总数，Y为输出响应矩阵，X为输入矩阵，|| ||
F
为F范数，c为通道个数，c
′
为期望通道个数。
[0018]本专利技术与现有技术相比的优点在于：
[0019]本专利技术提供的一种通信信号调制识别的自动模型压缩方法，采用深度确定性策略梯度算法，对于每个卷积层分别计算最优的剪枝比例，能够在加快推理速度的同时最小化重构误差，有助于通信信号调制识别过程中深度学习网络模型的自动压缩，替代人工参数调整，同时可用于通信信号调制识别的深度学习网络模型在便携式设备下的电磁特性分析，通过模型剪枝，可保证模型仍具有同样或相近的表达能力，并尽可能地缩小模型的体积，减少计算量，满足轻量级可部署要求。
附图说明
[0020]图1为专利技术提供的基于DDPG的自动网络剪枝过程示意图；
[0021]图2为专利技术提供的AWGN信道不同调制样式信号仿真结果示意图；
[0022]图3为专利技术提供的AWGN信道不同调制样式信号流码元图像示意图；
[0023]图4为专利技术提供的残差神经网络调制识别网络示意图；
[0024]图5为专利技术提供的基图；
[0025]图6为专利技术提供的残差本网络结构示意神经网络调制识别结果示意图；
[0026]图7为专利技术提供的结构化剪枝方案示意图；
[0027]图8为专利技术提供的DDPG调整验证集识别精度过程示意图；
[0028]图9为专利技术提供的DDPG调整FLOPs学习过程示意图；
具体实施方式
[0029]一种通信信号调制识别的自动模型压缩方法，有助于通信信号调制识别过程中深度学习网络模型的自动压缩，替代人工参数调整，可用于通信信号调制识别的深度学习网络模型在便携式设备下的电磁特性分析，可保证模型仍具有同样或相近的表达能力，并尽可能地缩小模型的体积，减少计算量，满足轻量级可部署要求，压缩方法的具体流程如下：
[0030](1)将接收的通信信号按指定数量码元按序排列为码元图像，将通信信号转化为调制样式纹理图像进行识别；
[0031](2)构建残差网络结构模型；
[0032](3)设置最优稀疏比例参数，根据重构误差对残差网络结构模型每一层卷积网络进行通道剪枝；
[0033]其中，根据残差网络结构模型各层卷积网络的参数、当前滤波器权值定义深度确定性策略梯度状态空间，根据目标错误率与单次浮点运算次数的乘积构建奖励函数，通过DDPG算法确定最大奖励函数时的确定性策略，获取最优稀疏比例参数a
t
，取值范围为[0,1]；
[0034]对残差网络结构模型每一层卷积网络进行通道剪枝的具体为：
[0035]根据最优稀疏比例参数，对每一层卷积网络序列进行裁剪通道选择，预设待裁剪
的特征层，裁剪特征层的通道个数，并根据最小化重构误差定义目标函数进行判断，保持原始输出及压缩输出变化在最小范围内；
[0036]特征层包括c个通道、n个大小为c
×
k
h
×
k
w
的滤波器，特征层共生成N个卷积滤波对象，特征层所在卷积网络共生成N
×
n个输出结果；
[0037](4)对步骤(3)所得通道剪枝后的裁剪模型进行微调并获取所得模型的最终权值。
[0038]下面根据具体实施例进行进一步说明：
[0039]在本实施例中，从数据出发，积累一定的数据以满足模型学习的要求，从足够的数据中挖掘数据特征的表示方式。首先利用仿真方式收集和整理相应的测试数据库。加性高斯白噪声AWGN信道下的单信号调制识别问题是调制识别研究的基础，因此，针对AWGN信道下的单信号调制识别应用场景，建立信噪比环境不理想情况下的不同调制方式数据集。
[0040]其中，AWGN信道下接收信号的数学模型为：y(t)＝s(t)+n(t)
[0041]式中n(t)均值为0，方差为的高斯白噪声，且与发送信号独立；s(t)发送的调制信号，采用正弦波作为调制载波，基带波形控制考虑振幅键控(ASK)、频移键控(FSK)和相移键控(PSK)，为满足通用调制模式的要求，选用较为典型的数字通信信号{2ASK；4ASK；8AS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通信信号调制识别的自动模型压缩方法，其特征在于步骤如下：(1)将接收的通信信号按指定数量码元按序排列为码元图像，将通信信号转化为调制样式纹理图像进行识别；(2)构建残差网络结构模型；(3)设置最优稀疏比例参数，根据重构误差对残差网络结构模型每一层卷积网络进行通道剪枝；(4)对步骤(3)所得通道剪枝后的裁剪模型进行微调并获取所得模型的最终权值。2.根据权利要求1所述的一种通信信号调制识别的自动模型压缩方法，其特征在于：所述步骤(3)中，最优稀疏比例参数的获取方法具体为：根据残差网络结构模型各层卷积网络的参数、当前滤波器权值定义深度确定性策略梯度状态空间，根据目标错误率与单次浮点运算次数的乘积构建奖励函数，通过DDPG算法确定最大奖励函数时的确定性策略，获取最优稀疏比例参数a
t
，取值范围为[0,1]。3.根据权利要求1所述的一种通信信号调制识别的自动模型压缩方法，其特征在于：所述步骤(3)中，对残差网络结构模型每一层卷积网...

【专利技术属性】
技术研发人员：方宇强，张喜涛，宋万均，陈维高，殷智勇，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：