基于CNN卷积神经网络的数字信号自动调制识别方法技术

本发明专利技术属于数字通信信号调制技术领域，公开了一种基于CNN卷积神经网络的数字信号自动调制识别方法；对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈R

Automatic Modulation Recognition of Digital Signals Based on CNN Convolutional Neural Network

The invention belongs to the field of digital communication signal modulation technology, and discloses an automatic modulation recognition method of digital signal based on CNN convolution neural network; carries out cyclic spectrum analysis of received digital signal, extracts alpha-axis projection profile of amplitude normalized cyclic spectrum, and obtains one-dimensional eigenvector x < R.

【技术实现步骤摘要】
基于CNN卷积神经网络的数字信号自动调制识别方法
本专利技术属于数字通信信号调制
，尤其涉及一种基于CNN卷积神经网络的数字信号自动调制识别方法。
技术介绍
目前，业内常用的现有技术是这样的：针对AWGN环境下的调制识别问题，目前现有的方法大致可以划分为三大类：基于最大似然假设检验、基于特征提取模式识别、以及基于深度学习方法。其中，基于最大似然假设检验的识别方法涉及到信号均值、方差、协方差等诸多先验信息，而这些在非合作通信中都是很难准确获取。因此，现在的很多学者重点研究的是基于特征提取和深度学习的调制识别方法。Yasaman与Ettefagh等人利用自适应神经网络方法，对AM、MASK、MFSK、MPSK、MQAM等18种调制类型，提取了9个频域特征参数，在信噪比为5dB时，可达到95％以上的平均准确率，但该方法是基于瞬时信息，易受噪声影响，且在低信噪比下，对QAM、MSK等调制信号无法有效识别。位小记等人采用分层的多分类器进行分类识别，提出了结合高阶累积量和改进的星座图聚类分析法，在SNR不低于6dB时，平均识别率可达93％以上，但该方法的缺陷是高阶累积量对同步要求较高，实际本文档来自技高网...

【技术保护点】
1.一种基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述基于CNN卷积神经网络的数字信号自动调制识别方法步骤一，首先对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈R

【技术特征摘要】
1.一种基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述基于CNN卷积神经网络的数字信号自动调制识别方法步骤一，首先对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈Rn×1；步骤二，然后再利用改进的Fisherface算法对特征向量进行降维处理，获得低维的特征向量y∈xm×1，形成网络训练的数据集和测试集；步骤三，设计深度CNN网络结构，并确定网络初始化参数，结合Keras深度学习框架，调用已有网络层函数，搭建深层网络结构；利用训练集进行网络训练，并采用Early-stop策略，防止过拟合现象；步骤四，在网络训练完成后，再利用测试数据集验证训练效果，完成信号自动调制识别。2.如权利要求1所述的基于CNN卷积神经网络的数字信号自动调制识别方法，其特征在于，所述离散循环谱密度DCSD定义为：其中n为离散时间，k为离散频率，x(n)为离散信号序列，序列长度为N，α为循环频率；为循环自相关函数，对进行傅里叶变换得到循环谱密度表示循环平稳信号x(n)的频谱中某频率k的循环谱密度值可用k上下各间隔α/2的谱分量的...

【专利技术属性】
技术研发人员：李兵兵，余文星，
申请(专利权)人：西安电子科技大学，西安中电科西电科大雷达技术协同创新研究院有限公司，
类型：发明
国别省市：陕西,61