System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于脉冲神经网络的低功耗自动调制识别方法,属于软件无线电领域。
技术介绍
1、自动调制识别算法涉及自动辨识接收信号的调制类型,其应用广泛,包括但不限于频谱管理、干扰识别以及电子战领域。在军事应用方面电磁频谱环境复杂,信号频率范围宽,调制方式多样,通信过程必须保证己方信号安全收发,同时对敌方信号进行定位、识别与干扰,在这种情况下,以自动调制识别算法为核心的智能信号处理技术是电子战等战术行动的核心;在民用场景,未知工作模式信号的调制方式识别也是通信系统中的重要问题,尤其是在软件无线电和认知无线电系统中。
2、近年来,随着深度学习算法的兴起,基于深度学习的自动调制识别算法逐渐占据主导地位。调制识别可以视为一个分类问题,因此可利用深度学习方法训练出分类器来解决此问题。深度学习方法的核心在于自动特征学习。其学习过程基于大量数据,通过反向传播算法逐步调整网络参数,增强网络对特征的表征能力。深度学习方法能够自动从原始输入中提取具有显著差异及有助于分类识别的特征,不再需要人工进行特征选择或对信号进行复杂的预处理。相较于传统方法,深度学习方法具有明显的优势,因为网络能够学习到对人类透明的底层特征,有时能够取得比传统方法更好的效果。
3、然而,现有的自动调制识别算法基于第二代神经网络,其推理过程存在大量浮点数乘加运算,依赖高性能图形处理单元(graphics processing unit,gpu),因此通常采用客户端-服务端架构,将边缘设备收集的信号传输至计算中心,计算中心计算后返回调制识别结果。这种客户
技术实现思路
1、针对现有的自动调制识别算法依赖高性能图形处理单元及功耗较高的问题,本专利技术的主要目的是提出一种基于脉冲神经网络的低功耗自动调制识别方法,通过基于分位数阈值的归一化脉冲编码、动态时序训练测试方案及面向残差连接的脉冲神经网络技术,降低神经网络功耗、推理速度与计算资源需求,有利于边缘设备的部署,实现低功耗、高精度的实时自动调制识别。
2、本专利技术的目的是通过以下技术方案实现的:
3、本专利技术公开的一种基于脉冲神经网络的低功耗自动调制识别方法,采用基于分位数阈值的归一化脉冲编码,将浮点型信号归一化并编码为脉冲序列信号,在保证信息的完整性和准确性前提下,归一化方法能够增强神经网络泛化性,有助于网络学习不同调制模式下信号的内在特征而非无效的幅值特征,脉冲编码能够降低脉冲神经网络计算复杂度与能耗;采用动态时序训练测试方案,通过长时序训练方法提升脉冲神经网络神经元的记忆能力与收敛速度,通过短时序测试方法降低实际应用时网络推理时延与能耗;采用面向残差连接的脉冲神经网络技术缓解深层脉冲神经网络的退化问题,具有可移植性强的特点,便于实现传统神经网络与脉冲神经网络的快速转换。实现低功耗、高精度的实时自动调制识别。
4、本专利技术公开的一种基于脉冲神经网络的低功耗自动调制识别方法,包括以下步骤:
5、步骤一、采集已知工作模式信号并下变频为iq信号;
6、通过射频信号采集设备采集已知工作模式射频信号数据,将所采集的原始数据分别与相位差90°的载波相乘,通过低通滤波器得到同相与正交(in-phase and quadrature,iq)信号。
7、步骤二、通过基于分位数阈值的归一化脉冲编码对iq信号进行编码,得到二进制脉冲序列,并切分得到基本输入单元;
8、所述基于分位数阈值的归一化脉冲编码基本原理为二进制量化编码,将步骤一得到的浮点型iq信号转换为二进制脉冲序列。具体步骤如下:
9、2.1、计算所有iq信号的正负k分位数x1-k与xk,其中k取值为[0,1]。x1-k为所有取值为负的iq信号的1-k分位数,即x1-k仅大于(1-k)比例所有取值为负的iq信号。xk为所有取值为正的iq信号的k分位数,即xk仅大于k比例所有取值为正的iq信号。iq信号归一化方法为[0,1]约束表示若归一化后小于0,则令为0,若大于1,则令为1;xi表示所有iq信号,i为自然数。
10、2.2、将归一化iq信号xi通过n比特二进制量化器qn((xi-xmin)/(xmax-xmin)*2n):r→bn编码为n位二进制数据,其中xmax表示归一化iq信号最大值,xmin表示归一化iq信号最小值,二进制量化器输出即为本步骤编码结果。网络基本输入单元为连续的m对编码后iq信号,其维度为n*2*m。
11、步骤三、基于传统残差模块改进得到脉冲残差连接模块,并搭建基于残差连接的脉冲神经网络;
12、首先,为简化网络计算量,选择lif(leaky integrated and fired)神经元模型作为脉冲神经网络基本单元,lif神经元模型输入输出规定如下:当输入为input,膜电位阈值为th,衰减超参数为β时,当前时序t的输出由o(t)=g(input+βv(t-1))确定,当前时序t的膜电位由v(t)=input+βv(t-1)-o(t)确定,其中g(.)为0-1阶跃函数,当输入大于th时输出为1;
13、其次,基于传统残差连接模块改进得到脉冲残差连接模块,具体改进方式如下:将传统残差模块激活函数层替换为lif神经元模型;将层与层之间的lif神经元模型置于残差分支内,层与层间直接连接;将传统残差模块加法操作替换为逐元素与操作。
14、最后,多层堆叠脉冲残差连接模块得到基于残差连接的脉冲神经网络。
15、步骤四、通过编码后的基本输入单元与梯度替代反向传播方法,对基于残差连接的脉冲神经网络进行训练;
16、4.1、脉冲神经网络前向传播过程:脉冲神经网络前向传播过程由t次前向传播组成,t表示脉冲神经网络时序,每一次前向传播输入均为步骤二得到的基本输入单元,脉冲神经网络为步骤三得到的基于残差连接的脉冲神经网络。各个前向传播内脉冲神经网络参数相同,依靠lif神经元模型膜电位传递信息。脉冲神经网络前向传播输出为所有时序前向传播输出结果之和。时序t的取值与脉冲神经网络推理速度呈线性关系,t取值增加,脉冲神经网络推理时延线性提升。在训练阶段,令t=2n以获得更好的训练效果;在测试阶段,令t=n/2以降低脉冲神经网络推理时延。<本文档来自技高网...
【技术保护点】
1.一种基于脉冲神经网络的低功耗自动调制识别方法,其特征在于:包括如下步骤,
2.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法,其特征在于:还包括步骤五、根据步骤四得到的用于自动调制模式识别的脉冲神经网络,应用于信号处理场景中,能识别出未知射频信号的调制模式,实现低功耗、高能效且低延时的自动调制识别任务,为未知射频信号的后续处理过程提供信号工作模式信息。
3.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法,其特征在于:步骤一的实现方法为,
4.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法,其特征在于:步骤二的实现方法为,
5.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法,其特征在于:步骤三的实现方法为,
6.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法,其特征在于:步骤四的实现方法为,
【技术特征摘要】
1.一种基于脉冲神经网络的低功耗自动调制识别方法,其特征在于:包括如下步骤,
2.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法,其特征在于:还包括步骤五、根据步骤四得到的用于自动调制模式识别的脉冲神经网络,应用于信号处理场景中,能识别出未知射频信号的调制模式,实现低功耗、高能效且低延时的自动调制识别任务,为未知射频信号的后续处理过程提供信号工作模式信息。
3.如权利要求1所述的...
【专利技术属性】
技术研发人员:王泽昊,马瑛,李润洲,丁海川,
申请(专利权)人:北京理工大学,
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。