一种基于深度学习网络融合的自动调制分类方法技术

本发明专利技术公开了一种基于深度学习网络融合的自动调制分类方法，包括以下步骤：获取数据集RML2016.10a中的WBFM信号样本，选择合适的阈值分离处于静音期的WBFM信号；使用数据增强方法将新的WBFM信号扩充到1000个，并对原有数据集进行扩充；将步骤S2中扩充的数据集划分为训练集、验证集和测试集；对步骤S3中的数据分别计算其幅度、相位和分数阶傅里叶变换的结果；搭建多通道特征融合网络模型，该模型包含LSTM网络和FPN网络；进行网络模型训练，训练完成后，将验证集数据输入到已经训练好的网络模型进行验证，计算预测准确度；通过测试集对网络模型进行参数微调，提高预测精度，并将最后的模型作为自动调制分类模型。本发明专利技术提高了通信信号平均分类准确率。信信号平均分类准确率。信信号平均分类准确率。

【技术实现步骤摘要】
一种基于深度学习网络融合的自动调制分类方法


[0001]本专利技术涉及通信信号调制类型识别
，尤其涉及一种基于深度学习网络融合的自动调制分类方法。

技术介绍

[0002]自动调制分类(Automatic Modulation Classification,AMC)作为通信信号解调的关键环节，在通信侦察领域得到了广泛的应用。传统的AMC方法主要分为两类：基于最大似然的识别方法和基于特征提取的的识别方法。前者给定一个概率分布，通过检测理论和决策准则来完成信号的分类任务。后者在贝叶斯估计上是最优的，但算法复杂度高、过度依赖参数估计。
[0003]近年来，深度学习方法在图像处理、语音识别、自然语言处理等领域取得重大进展。Timothy J.O
’
Shea率先采用卷积神经网络(Convolutional Neural Network,CNN)对通信信号的调制类型进行识别，为此他专门开发了用于通信信号调制类型识别的数据集RML2016.10a，当信噪比(Signal
‑
to
‑
Noise Ratio,SNR)为10dB时，识别准确率能达到73％。受Timothy J.O
’
Shea的启发，研究人员利用RML2016.10a数据集尝试了不同的深度学习方法开展AMC识别研究。由于受数据集本身限制，现有方法难以有效区分WBFM(Wide Band Frequency Modulation)信号和DSB
‑
AM(Double Sideband
‑
Amplitude Modulation)信号以及16QAM(Quadrature Amplitude Modulation)信号和64QAM信号。

技术实现思路

[0004]基于现有技术中存在的不足之处，本专利技术提供了一种基于深度学习网络融合的自动调制分类方法，具体技术方案如下：
[0005]一种基于深度学习网络融合的自动调制分类方法，包括以下步骤：
[0006]S1、获取数据集RML2016.10a中的WBFM信号样本，选择合适的阈值γ分离处于静音期的WBFM信号；
[0007]S2、使用数据增强方法将新的WBFM信号扩充到1000个，并对原有数据集进行扩充；
[0008]S3、将步骤S2中扩充的数据集划分为训练集、验证集和测试集；
[0009]S4、对步骤S3中的数据分别计算其幅度、相位和分数阶傅里叶变换的结果；
[0010]S5、搭建多通道特征融合(Multi
‑
channel Feature Fusion,MFF)网络模型，该模型包含LSTM(Long Short Term Memory)网络和FPN(Feature Pyramid Networks)网络。将步骤S4中的训练集作为输入，其中LSTM网络的输入为第i个数据的幅度和第i个数据的相位；FPN网络的输入为第i个数据的虚部、第i个数据的实部和第i个数据的分数阶傅里叶变换的结果。
[0011]S6、进行网络模型训练，训练完成后，将验证集数据输入到已经训练好的网络模型进行验证，计算预测准确度；
[0012]S7、通过测试集对网络模型进行参数微调，提高预测精度，并将最后的模型作为自
动调制分类模型。
[0013]具体的，所述步骤S1包括以下子步骤：
[0014]选择带WBFM标签的全部数据样本，对获取的WBFM信号样本的零中心归一化瞬时幅度谱密度的最大值其中A(i)是各个采样时刻的瞬时幅度值，N
s
是采样点数，fft(
·
)是傅里叶变换算子，max(
·
)表示取最大值。
[0015]选择合适的阈值γ，当γ
max
＞γ时判定信号为非处于静音期的WBFM信号时，则获取该样本信号。
[0016]具体的，所述步骤S2包括以下子步骤：
[0017]RML2016.10a数据集的调制方式为I/Q调制，单个信号样本可表示为x
i
＝[I,Q]；对单个信号样本进行x
i
＝[I,
‑
Q]、x
i
＝[
‑
I,Q]、x
i
＝[
‑
I,
‑
Q]等变化，从而使WBFM信号扩充到1000个样本数据。
[0018]具体的，所述步骤S3还包括以下子步骤：
[0019]将S2扩充数据集按照60％训练集、20％验证集和20％测试集的分配比例，并随机打乱训练集数据。
[0020]具体的，所述步骤S4包括以下子步骤：
[0021]将IQ信号转换为幅度相位信息，幅度为：
[0022][0023]其中I
i
与Q
i
表示样本中第i个数据的实部与虚部，A
i
表示第i个数据的幅度。接下来需要进行L2范数归一化，其中第i个数据的幅度的L2范数定义为：
[0024][0025]L2范数归一化后的幅度为：
[0026][0027]相位计算表达式为：
[0028][0029]其中arctan为反正切函数
[0030]接下来获取数据的分数阶傅里叶变换，其计算表达式为：
[0031][0032][0033]其中F
p
为分数阶傅里叶变换算子，s(t)为原始信号，K
p
(t,u)为转换内核，t为时域，u为分数阶傅里叶域，α为旋转角度，cot为余切函数，csc为余切函数，π为圆周率，δ(t)为冲激函数，n为正整数。
[0034]自此，完成了幅度、相位、分数阶傅里叶变换信息的提取。
[0035]具体的，所述步骤S5还包括：
[0036]LSTM网络模型的输入为第i个数据的幅度和第i个数据的相位，输出为1维特征图；FPN网络模型的输入为第i个数据的虚部、第i个数据的实部和第i个数据的分数阶傅里叶变换的结果。
[0037]具体的，所述步骤S5包括以下子步骤：
[0038]建立LSTM网络，含有输入层、两个LSTM层、Dense层、输出层，其中输入数据矩阵为N
×
128
×
2，输出矩阵为N
×
M，N为样本个数，M为特征点数；
[0039]建立FPN网络，含有输入层，三个Conv2d层，两个Dense层，其中输入数据矩阵为N
×3×
128
×
1，输出矩阵为N
×
M
×
1，N为样本个数，M为特征点数。
[0040]具体的，所述LSTM网络模型还包括遗忘门、输入门、输出门和输出记忆信息；所述遗忘门的计算式为
[0041]f
τ
＝σ(W
f
·
[h
τ
‑1,x
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网络融合的自动调制分类方法，包括以下步骤：S1、获取数据集RML2016.10a中的WBFM信号样本，选择合适的阈值γ分离处于静音期的WBFM信号；S2、使用数据增强方法将新的WBFM信号扩充到1000个，并对原有数据集进行扩充；S3、将步骤S2中扩充的数据集划分为训练集、验证集和测试集；S4、对步骤S3中的数据分别计算其幅度、相位和分数阶傅里叶变换的结果；S5、搭建多通道特征融合网络模型，该模型包含LSTM网络和FPN网络；S6、进行网络模型训练，训练完成后，将验证集数据输入到已经训练好的网络模型进行验证，计算预测准确度；S7、通过测试集对网络模型进行参数微调，提高预测精度，并将最后的模型作为自动调制分类模型。2.根据权利要求1所述的一种基于深度学习网络融合的自动调制分类方法，其特征在于，所述步骤S1包括以下子步骤：选择带WBFM标签的全部数据样本，对获取的WBFM信号样本的零中心归一化瞬时幅度谱密度的最大值其中A(i)是各个采样时刻的瞬时幅度值，N
s
是采样点数，fft(
·
)是傅里叶变换算子，max(
·
)表示取最大值；选择合适的阈值γ，当γ
max
＞γ时判定信号为非处于静音期的WBFM信号时，则获取该样本信号。3.根据权利要求1所述的一种基于深度学习网络融合的自动调制分类方法，其特征在于，所述步骤S2包括以下子步骤：RML2016.10a数据集的调制方式为I/Q调制，单个信号样本可表示为x
i
＝[I,Q]；对单个信号样本进行包括x
i
＝[I,
‑
Q]、x
i
＝[
‑
I,Q]、x
i
＝[
‑
I,
‑
Q]的变化，从而使WBFM信号扩充到1000个样本数据。4.根据权利要求1所述的一种基于深度学习网络融合的自动调制分类方法，其特征在于，所述步骤S3还包括以下子步骤：将S2扩充数据集按照60％训练集、20％验证集和20％测试集的分配比例，并随机打乱训练集数据。5.根据权利要求1所述的一种基于深度学习网络融合的自动调制分类方法，其特征在于，所述步骤S4包括以下子步骤：将IQ信号转换为幅度相位信息，幅度为：其中I
i
与Q
i
表示样本中第i个数据的实部与虚部，A
i
表示第i个数据的幅度；进行L2范数的归一化，其中第i个数据的幅度的L2范数定义为：
L2范数归一化后的幅度为：相位计算表达式为：其中arctan为反正切函数；获取数据的分数阶傅里叶变换，其计算表达式为：获取数据的分数阶傅里叶变换，其计算表达式为：其中F
p
为分数阶傅里叶变换算子，s(t)为原始信号，K
p
(t,u)为转换内核，t为时域，u为分数阶傅里叶域，α为旋转角度，cot为余切函数，csc为余切函数，π为圆周率，δ(t)为冲激函数，n为正整数。6.根据权利要求1所述的一种基于深度学习网络融合的自动调制分类方法，其特征在于，所述步骤S5还包括：LSTM网络模型的输入为第i个数据的幅度和第i个数据的相位，输出为1维特征图；FPN网络模型的输入为第i个数据的虚部、第i个数据的实部和第i个数据的分数阶傅里叶变换的结果。7.根据权利要求1所述的一种基于深度学习网络融合的自动调制分类方法，其特征在于，所述步骤S5包括以...

【专利技术属性】
技术研发人员：张顺生，黄杰，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：