[发明专利]基于星座图特征的调制类型识别方法、装置、计算机设备

权利要求书

1.一种基于星座图特征的调制类型识别方法，其特征在于，包括下述步骤：

获取输入信号；

预处理所述输入信号，得到预处理后的信号；

计算所述处理后的信号的星座图，得到信号星座图；

根据所述信号星座图生成灰度图以及二值图，得到所述信号星座图的特征；

将所述信号星座图的特征输入至训练好的神经网络，得到所述输入信号的类型识别结果。

2.根据权利要求1所述的基于星座图特征的调制类型识别方法，其特征在于，所述将所述信号星座图的特征输入至训练好的神经网络，得到所述输入信号的类型识别结果的步骤具体包括：

将所述灰度图以及所述二值图输入至第一层卷积神经网络，得到第一卷积输出，所述第一层卷积神经网络为64个7x7大小的卷积核，卷积步长为4x4的卷积层；

将所述第一卷积输出输入至第一BN层，并Relu函数处理所述第一BN层输出，得到第一层输出结果；

将所述第一层输出结果输入至最大池化层，得到第一层特征图；

将所述第一层特征图输入至第二层卷积神经网络，得到第二卷积输出，所述第二层卷积神经网络为128个4x4大小的卷积核，卷积步长为1x1的卷积层；

将所述第二卷积输出输入至第二BN层，并Relu函数处理所述第二BN层输出，得到第二层输出结果；

将所述第二层输出结果输入至最大池化层，得到第二层特征图；

将所述第二层特征图输入至第三层卷积神经网络，得到第二卷积输出，所述第三层卷积神经网络为256个3x3大小的卷积核，卷积步长为1x1的卷积层；

将所述第三卷积输出输入至第三BN层，并Relu函数处理所述第三BN层输出，得到第三层输出结果；

将所述第三层输出结果输入至第四层卷积神经网络，得到第四卷积输出，所述第四层卷积神经网络为128个3x3大小的卷积核，卷积步长为1x1的卷积层；

将所述第四卷积输出输入至第四BN层，并Relu函数处理所述第四BN层输出，得到第四层输出结果；

将所述第四层输出结果输入至第五层卷积神经网络，得到第五卷积输出，所述第五层卷积神经网络为128个3x3大小的卷积核，卷积步长为1x1的卷积层；

将所述第五卷积输出输入至第五BN层，并Relu函数处理所述第五BN层输出，得到第五层输出结果；

将所述第五层输出结果输入至最大池化层，得到第五层特征图；

将所述第三层输出结果输入至第六层卷积神经网络，得到第六卷积输出，所述第六层卷积神经网络为32个1x1大小的卷积核，卷积步长为1x1的卷积层；

将所述第六卷积输出输入至第六BN层，并Relu函数处理所述第六BN层输出，得到第六层输出结果；

将所述第四层输出结果输入至第七层卷积神经网络，得到第七卷积输出，所述第七层卷积神经网络为128个3x3大小的卷积核，卷积步长为1x1的卷积层；

将所述第七卷积输出、所述第六层输出结果以及所述第五层特征图输入至特征关联图层，得到所述输入信号的类型识别结果。

3.根据权利要求2所述的基于星座图特征的调制类型识别方法，其特征在于，所述将所述第七卷积输出、所述第六层输出结果以及所述第五层特征图输入至特征关联图层，得到所述输入信号的类型识别结果的步骤具体包括：

将所述第七卷积输出、所述第六层输出结果以及所述第五层特征图输入至第一全连接层，得到三个特征向量；

拼接所述三个特征向量，得到信号向量；

将所述第一信号向量输入至第二全连接层，并通过softmax函数计算所述输入信号的类型的置信度，得到所述输入信号的类型识别结果。