针对无线通信的自定义卷积神经网络调制识别方法及系统技术方案

本发明专利技术涉及一种针对无线通信的自定义卷积神经网络调制识别方法及系统，包括以下步骤：获取初始信号,对所述初始信号进行I

【技术实现步骤摘要】
针对无线通信的自定义卷积神经网络调制识别方法及系统


[0001]本专利技术涉及无线通信
，尤其是指一种针对无线通信的自定义卷积神经网络调制识别方法及系统。

技术介绍

[0002]自动调制识别最初是被应用在二战初期，随后鉴于自动调制识别在军事和民事上的重要性，国内外研究者对其在各种各样的环境中进行了大量研究。
[0003]经典的统计算法在调制识别任务里有着广泛的应用。但是基于经典统计算法的调制识别方法为了获得最优的分类精度，需要匹配信号模型和精确的信道信息。因此，在进行盲调制识别任务时，经典的统计算法在精度和算法复杂度上都有所欠缺。
[0004]目前，还有一种方式是基于现有卷积神经网络模型进行调制识别，如AlexNet模型，该模型复杂度高，需要的硬件成本较高，并且同等条件下初始化时间长，训练样本少时容易过拟合导致精度下降。又例如LeNet模型，该模型是针对手写数字识别设计的，对于通信信号调制识别的应用性较差，识别精度较低。

技术实现思路

[0005]为此，本专利技术所要解决的技术问题在于克服现有技术中自动调制识别的相关算法精度和算法复杂度上都有所欠缺，对于通信信号调制识别的应用性较差的技术缺陷。
[0006]为解决上述技术问题，本专利技术提供了一种针对无线通信的自定义卷积神经网络调制识别方法，包括以下步骤：
[0007]S1、获取初始信号,对所述初始信号进行I
‑
Q调制并将I
‑
Q调制后的信号映射至I
‑
Q平面；
[0008]S2、根据输入矩阵尺寸将I
‑
Q平面划分为M
×
M大小的网格，获得预处理后的数据，其中，每个网格代表对应输入矩阵的数值；
[0009]S3、构建卷积神经网络，对所述卷积神经网络的卷积核进行初始化设计；
[0010]S4、使用预处理后的数据对所述卷积神经网络进行训练，获得训练后的卷积神经网络；
[0011]S5、通过训练后的卷积神经网络对信号的调制类型进行识别分类。
[0012]作为优选的，所述S2中网格的数值大小计算如下：
[0013][0014]其中，在I
‑
Q平面内，K表示网格中包含的信号样本r
I
(k)+r
Q
(k)的个数，每个网格内计算得出的值G(x,y)代表对应二维矩阵的单元，(x,y)表示网格的中心点值，l表示网格中心值到网格边缘的距离，所有的信号长度为N。
[0015]作为优选的，所述S3中的卷积神经网络，包括依次设置的：第一卷积层、第一池化
层、第二卷积层、全局平均池化层和全连接层。
[0016]作为优选的，所述第一卷积层包括8个卷积核，每个所述卷积核的特征图像以5
×
5大小的方式与输入相连。
[0017]作为优选的，所述第二卷积层包括240个卷积核，每个卷积核的特征图像以15
×
15大小的方式与第一池化层输出的每个特征图像相连。
[0018]作为优选的，所述对所述卷积神经网络的卷积核进行初始化设计，包括：
[0019]对所述第一卷积层的卷积核进行初始化：
[0020][0021][0022]其中，K(c
x
,c
y
)是以(c
x
,c
y
)为核心生成的卷积核矩阵，K(c
x
,c
y
)的每一个单元以k
pq
表示，字符σ是方差，x和y表示矩阵的坐标；
[0023]通过改变(c
x
,c
y
)的数值就能够产生多个符号位周围不同方向的渐变形式。
[0024]作为优选的，所述对所述第一卷积层的卷积核进行初始化采用均匀分布方式和定制初始化结合的方法。
[0025]作为优选的，采用定制初始化的方法对卷积核处理，获得定制初始化卷积核分布状态后，根据训练的对象优化权值的数值大小。
[0026]作为优选的，所述对所述卷积神经网络的卷积核进行初始化设计，包括：
[0027]对所述第二卷积层的卷积核进行初始化：
[0028]每个二维高斯分布对应着一个调制符号位周围数据样本的分布，根据调制模式的不同调制符号位生成对应位置的二维高斯分布，将同一种调制模式的二维高斯分布叠加在一起作为对应调制模式的卷积核权值。
[0029]本专利技术公开了一种针对无线通信的自定义卷积神经网络调制识别系统，包括：
[0030]信号预处理模块，所述信号预处理模块用于获取初始信号,对所述初始信号进行I
‑
Q调制并将I
‑
Q调制后的信号映射至I
‑
Q平面，根据输入矩阵尺寸将I
‑
Q平面划分为M
×
M大小的网格，获得预处理后的数据，其中，每个网格代表对应输入矩阵的数值；
[0031]神经网络模型构建模块，所述神经网络模型构建模块用于构建卷积神经网络，对所述卷积神经网络的卷积核进行初始化设计；
[0032]训练模块，所述训练模块使用预处理后的数据对所述卷积神经网络进行训练，获得训练后的卷积神经网络；
[0033]识别模块，所述识别模块通过训练后的卷积神经网络对信号的调制类型进行识别分类。
[0034]本专利技术的上述技术方案相比现有技术具有以下优点：
[0035]1、本专利技术提出了一种将一维通信信号转换到二维分布密度谱的预处理方式，解决了通信信号应用于卷积神经网络输入的转化问题。
[0036]2、本专利技术设计的卷积神经网络对调制识别特定应用场景具有针对性，相比于大型
的经典卷积神经网络在在大幅减低复杂度的同时，保证了识别精度；相比于小型卷积神网络，其训练时间效率和精度都有提升；在已知信噪比段范围内具有盲调制识别能力，并且具有良好的鲁棒性。
附图说明
[0037]图1为本专利技术中针对无线通信的自定义卷积神经网络调制识别方法的流程图；
[0038]图2为信号预处理示意图；
[0039]图3为基于卷积神经网络的调制识别网络模型；
[0040]图4为第一卷积层的卷积核初始化结构；
[0041]图5为已知单信噪比信息下，高斯信道下不同分类器的测试平均分类精度示意图；
[0042]图6为已知属于信噪比段
‑
4dB
‑
0dB，其中ML和KS以
‑
2dB作为假设信道信息下，高斯信道下不同分类器的测试平均分类精度图；
[0043]图7为已知属于信噪比段1dB
‑
5dB，其中ML和KS以3dB作为假设信道信息，高斯信道下不同分类器的测试平均分类精度图；
[0044]图8为已知属于信噪比段6dB
‑
10dB，其中ML和KS以8dB作为假设信道信息，高斯信道下不同分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对无线通信的自定义卷积神经网络调制识别方法，其特征在于，包括以下步骤：S1、获取初始信号,对所述初始信号进行I
‑
Q调制并将I
‑
Q调制后的信号映射至I
‑
Q平面；S2、根据输入矩阵尺寸将I
‑
Q平面划分为M
×
M大小的网格，获得预处理后的数据，其中，每个网格代表对应输入矩阵的数值；S3、构建卷积神经网络，对所述卷积神经网络的卷积核进行初始化设计；S4、使用预处理后的数据对所述卷积神经网络进行训练，获得训练后的卷积神经网络；S5、通过训练后的卷积神经网络对信号的调制类型进行识别分类。2.根据权利要求1所述的针对无线通信的自定义卷积神经网络调制识别方法，其特征在于，所述S2中网格的数值大小计算如下：其中，在I
‑
Q平面内，K表示网格中包含的信号样本r
I
(k)+r
Q
(k)的个数，每个网格内计算得出的值G(x,y)代表对应二维矩阵的单元，(x,y)表示网格的中心点值，l表示网格中心值到网格边缘的距离，所有的信号长度为N。3.根据权利要求1所述的针对无线通信的自定义卷积神经网络调制识别方法，其特征在于，所述S3中的卷积神经网络，包括依次设置的：第一卷积层、第一池化层、第二卷积层、全局平均池化层和全连接层。4.根据权利要求3所述的针对无线通信的自定义卷积神经网络调制识别方法，其特征在于，所述第一卷积层包括8个卷积核，每个所述卷积核的特征图像以5
×
5大小的方式与输入相连。5.根据权利要求3所述的针对无线通信的自定义卷积神经网络调制识别方法，其特征在于，所述第二卷积层包括240个卷积核，每个卷积核的特征图像以15
×
15大小的方式与第一池化层输出的每个特征图像相连。6.根据权利要求3所述的针对无线通信的自定义卷积神经网络调制识别方法，其特征在于，所述对所述卷积神经网络的卷积核进行初始化设计，包括：对所述第一卷积层的卷积核进行初始化：对所述第一卷积层的卷积核进行初始化：其中，K(c
x...

【专利技术属性】
技术研发人员：朱凌君，朱哲辰，
申请(专利权)人：苏州大学，
类型：发明
国别省市：