【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 Side
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。