[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

摘要

本发明公开一种基于多尺度卷积神经网络的无线电信号调制识别算法，其实现步骤为：(1)生成处理后的无线电调制信号；(2)生成二维时频图，对信号的瞬时相关函数作傅里叶变换得到信号的维格纳‑威利时频分布图；(3)对时频分布图进行预处理，生成训练样本集和测试样本集；(4)构建多尺度卷积神经网络模型并进行训练；(5)使用训练好的网络模型对测试集进行测试，计算正确率，获得识别准确率，评估网络性能。本发明具有普适性强，不需要人工特征提取和大量先验知识，复杂度低，分类结果准确、稳定的优点，可用于信号分类识别技术领域中。

主权项

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。