[发明专利]一种信号识别卷积神经网络卷积核分区剪枝方法

权利要求书

1.一种信号识别卷积神经网络卷积核分区剪枝方法，其特征在于：具体包括以下步骤：

S1、构建一维卷积神经网络，然后进行训练达到收敛状态；

S2、提取步骤S1中得到收敛状态的神经网络模型的每一个卷积层的权重数组，权重数组具体的形式为三维的Numpy数组；

S3、对步骤S2中权重数组求绝对值，并对权重数组按列进行求和得到卷积核的具体权值；

S4、将步骤S3中的卷积核权值的最大值和最小值组成权重区间，将权重区间划分成4个等分区间，设定每个区间的剪枝系数，若该卷积核的权值小于该卷积核所处区间的阈值，则将该卷积核从网络中删除，遍历所有卷积核，得到每个区间大于阈值的卷积核保存下来，得到新网络模型；

S5、对步骤S4产生的新网络模型进行重新训练达到收敛状态，流程结束。

2.根据权利要求1所述的一种信号识别卷积神经网络卷积核分区剪枝方法，其特征在于：所述步骤S1包括以下子步骤：

S11、构建一维卷积神经网络，其中包含5个卷积层，一个Dropout层，一个全局平均池化层，2个全连接层，第一层卷积层的卷积核长度为20，卷积核数量为64；第二层卷积层的卷积核长度为10，卷积核数量为128；第二层卷积层之后加入dropout层，第三层卷积层的卷积核长度为10，卷积核数量为128，第四层卷积层的卷积核长度为10，卷积核数量为128，第五层卷积层的卷积核长度为10，卷积核数量为128，在第五层卷积层后面加上一个全局平均池化层，然后接着2个全连接层：

S12、训练数据集为调制识别数据集，数据集的类别为12类，训练集的样本数为36000个，验证集的样本数为6000个，输入神经网络的长度为50000，使用的深度学习框架为Keras，训练达到收敛状态的指标为训练集上的Loss和验证集上的Loss都处于收敛状态。

3.根据权利要求1所述的一种信号识别卷积神经网络卷积核分区剪枝方法，其特征在于：

所述步骤S2具体方法为：采用Keras框架中的get_weights()函数提取每一层卷积层的权重参数，得到三维的Numpy结构的权重数组K。

4.根据权利要求1所述的一种信号识别卷积神经网络卷积核分区剪枝方法，其特征在于：所述步骤S3包括以下子步骤：

S31、针对每一个卷积层的权重数组求绝对值，使得权重数组里的数都为正；

S32、对步骤S31中的权重数组如下公式按列进行求和，得到卷积核的具体权值，

其中S_j表示卷积核的具体权值，为一个float形式的数，n表示该层的卷积核个数，K_i表示权重数组。

5.根据权利要求1所述的一种信号识别卷积神经网络卷积核分区剪枝方法，其特征在于：所述步骤S4包括以下子步骤：

S41、计算求得步骤S32中得到的卷积核权值的最大值和卷积核权值的最小值；

S42、将权重区间划分成4个等分区间，并求出每个区间的均值mean与标准差std，其中均值mean的计算公式如下：

其中N表示区间元素的个数，x_i表示元素的数值，μ表示均值mean；

标准差std的计算公式如下：

S43、设定每个区间的剪枝阈值，计算公式如下：

threshold＝μ-thres×std

其中threshold表示该区间的剪枝阈值，thres表示该区间的剪枝系数；

S44、遍历每一个卷积核并判断其权值属于哪个区间，然后判断其权值是否小于该卷积核所处区间的阈值，若小于则将该卷积核从整个网络中删除，若大于则将该卷积核保存下来，遍历所有卷积层，得到剪枝完成后的新网络模型。

6.根据权利要求1所述的一种信号识别卷积神经网络卷积核分区剪枝方法，其特征在于：所述步骤S5包括以下子步骤：

S51、训练的数据集与原始网络所使用的数据集保持一致，即剪枝后得到的新网络模型使用的训练数据集与步骤S1中原始网络使用的数据集一样；

S52、对步骤S44剪枝完成后的新网络模型进行重新训练，达到收敛状态为止，整个流程结束。