[发明专利]基于多尺度卷积神经网络的无线电信号调制识别方法

权利要求书

1.一种基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于：包括如下步骤：

(1)生成处理后的无线电调制信号：

将十一种共计220000个无线电调制信号中的每一个信号通过瑞利衰落信道，再叠加信噪比为+5分贝的高斯白噪声，得到220000个无线电调制信号；

(2)生成二维时频图：

(2a)利用维格纳-威利时频分布公式，分别求220000个无线电调制信号中的每一个无线电调制信号的维格纳-威利时频分布；

(2b)画出维格纳-威利时频分布的等高线图，得到十一种共计220000张二维时频图；

(3)生成训练样本集和测试样本集：

(3a)根据归一化公式，分别对十一种二维时频图中的每一张二维时频图进行归一化处理，将所有归一化处理后的二维时频图组合成图像样本集合；

(3b)分别从图像样本集合的每一种二维时频图中随机抽取80％的样本，组合成训练样本集，余下的20％组合为测试样本集；

(4)构建多尺度卷积神经网络模型：

(4a)设定多尺度卷积神经网络的参数和最大迭代次数，最大迭代次数设为100000步；

(4b)构建用于对信号进行自动特征提取的12层卷积神经网络模型；

(4c)在12层的卷积神经网络模型中，加入提取信号多尺度特征的两个多尺度卷积层，得到14层多尺度卷积神经网络模型；

(4d)设置多尺度卷积神经网络模型的损失函数、优化算法和激活函数；

(5)训练多尺度卷积神经网络模型：

(5a)将打乱训练样本集中所有样本排列顺序的训练样本集，输入到多尺度卷积神经网络模型中；

(5b)训练多尺度卷积神经网络模型，当达到多尺度卷积神经网络设置的迭代次数时，完成卷积神经网络的训练过程，得到训练好的多尺度卷积神经网络模型；

(6)获得识别准确率：

(6a)将测试样本集输入到训练好的多尺度卷积神经网络模型中，得到识别结果；

(6b)将识别结果与测试集的真实类别对比，统计识别正确率。

2.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于，步骤(1)中所述的十一种无线电调制信号的类型分别为：双边带调幅信号AMDSB、单边带调幅信号AMSSB、二进制相移键控调制信号BPSK、四相移相键控调制信号QPSK、八相移相键控调制信号EPSK、宽带调频信号WBFM、连续相位频移键控信号CPFSK、脉冲幅度调制信号PAM4、十六进制正交振幅调制信号QAM16、六十四进制正交振幅调制信号QAM64、高斯频移键控信号GFSK。

3.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于，步骤(2)中所述的维格纳-威利时频分布公式如下：

其中，W_n(t,Ω)表示第n个无线电调制信号x_n(t)的能量随时间t和角频率Ω变化的时频分布，Ω表示第n个无线电调制信号x_n(t)的角频率，表示积分操作，表示第n个无线电调制信号x_n(t)在时刻的值，表示第n个无线电调制信号x_n(t)在时刻的值，τ表示滞后时间，*表示共轭操作，e表示以自然对数为底数的指数操作，j表示虚数单位符号。

4.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于，步骤(3a)中所述的归一化公式如下：

其中，Y_m表示第m张二维时频图X_m归一化处理后的图像样本，μ表示累加十一种二维时频图后求取的平均值，σ表示十一种二维时频图的标准差。

5.根据权利要求1所述的基于多尺度卷积神经网络的无线电信号调制识别方法，其特征在于,步骤(4a)中所述的多尺度卷积神经网络的参数设置如下：将学习率设置为0.001，批处理大小设置为16，每次读取图像上限设置为1000张。