一种基于深度多流神经网络的信号自动分类识别方法技术

本申请公开了一种基于深度多流神经网络的信号自动分类识别方法，将深度多流神经网络的网络结构在水平方向上扩展，以实现深度多流神经网络提取更丰富的信号特征。在深度多流神经网络的每个流中叠加预设量的卷积单元，以提高深度多流神经网络的分类性能，防止网络训练困难和容易过拟合；对改进后的所述深度多流神经网络进行训练和验证，用于对信号进行分类识别。改进后的深度多流神经网络随着网络结构宽度的增加，分类效果提高，参数数量减少。在验证阶段仅消耗有限的计算资源即可在几毫秒内完成相关任务。在通信系统部署中，使用训练好的改进后的深度多流神经网络，等效于验证阶段，具有较低的计算复杂度和实时处理速度，提高了信号分类的效率。

【技术实现步骤摘要】
一种基于深度多流神经网络的信号自动分类识别方法
本申请涉及信号识别
，具体涉及一种基于深度多流神经网络的信号自动分类识别方法。
技术介绍
自动调制分类(AutomaticModulationClassification，AMC)是非合作通信系统的一项关键技术，在民用和军事领域都有许多应用场景。近年来，用于无线通信的AMC受到越来越多的关注。复杂的无线信道状况可能会使信号失真，并降低通信系统的性能。在民用领域，它被用于软件定义的无线电和智能无线电系统中。链路自适应系统(link-adaptationsystem，LAS)是基于信道测量值自适应地选择适当的调制方案的通信方案。在军事领域，正确识别调制方案是拦截和干扰敌人通信的前提。典型的AMC过程包括两个步骤：信号预处理和结果信号分类。信号预处理主要包括信号参数估计和噪声消除。主要有两种调制分类算法：基于似然准则(Likelihood-Based，LB)的分类方法和基于特征提取的(Feature-Based，FB)的分类方法。LB方法是最佳的，可以减少分类错误的可能性。但是，在实际应用中存在非常大的计算复杂性。同时，通常需要缓冲大量数据以找到决策阈值，而且需要大量的计算时间。在存在未知信道条件的情况下，和其他接收机干扰，例如多普勒频移，这些方法识别效果下降严重。FB方法中采用手动选择提取特征的方式可以达到较理想的效果，但这可能会丢失信号的深层特性。这些方法需要适当的决策阈值，通过手动调节的方式可能难以确定最佳阈值。因此，FB方法很难对频移，多径变化，时间衰减和不同的信号长度具有鲁棒性。另外，就传输带宽和存储设备而言，在频率，空间和时间上分布式收集同相和正交相位数据的算法代价非常昂贵。因此，基于似然准则的分类方法和基于特征提取的的分类方法都无法准确快速实现信号分类。
技术实现思路
本申请为了解决上述技术问题，提出了如下技术方案：第一方面，本申请实施例提供了一种基于深度多流神经网络的信号自动分类识别方法，所述方法包括：将深度多流神经网络的网络结构在水平方向上扩展，以实现深度多流神经网络提取更丰富的信号特征，适合于各种调制方案的信号数据集的分类；在所述深度多流神经网络的每个流中叠加预设量的卷积单元，以提高深度多流神经网络的分类性能，防止网络训练困难和容易过拟合；对改进后的所述深度多流神经网络进行训练和验证，用于对信号进行分类识别。采用上述实现方式，改进后的深度多流神经网络随着网络结构宽度的增加，分类效果提高，参数数量减少。在验证阶段仅消耗有限的计算资源即可在几毫秒内完成相关任务。在通信系统部署中，使用训练好的改进后的深度多流神经网络，等效于验证阶段，具有较低的计算复杂度和实时处理速度，提高了信号分类的效率。结合第一方面，在第一方面第一种可能的实现方式中，所述深度多流神经网络的结构表达为：其中ζ表示多流卷积输出，η表示由1×1和2×2卷积核组成的卷积流，p表示该流的数量，p＝1,2,…,P，μ表示由1×1和3×3卷积核组成的卷积流，q表示该流的数量，q＝1,2,…,Q，包括两种流，一种包括1×1的卷积核，另一种包括一个1×1的卷积核和AveragePooling。结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，所述在所述深度多流神经网络的每个流中叠加预设量的卷积单元包括：在每个卷积层之后，增加一个非线性函数层和一个归一化层。结合第一方面，在第一方面第三种可能的实现方式中，输入到改进后的深度多流神经网络的输入信号的序列分为不同的长度，信号序列的每个长度都被输入到改进后的深度多流神经网络中,以获得丰富的调制识别特征，提高信号调制分类性能。结合第一方面第三种可能的实现方式，在第一方面第四种可能的实现方式中，不同长度的信号序列为：hl(v)＝r(l+v)其中l表示信号序列的起始位置,l＝1,2,…,L-1，L，L表示信号r(·)的总长度，v是信号长度,v＝0,1,…,V，V代表可以采取的最大固定信号长度。结合第一方面，在第一方面第五种可能的实现方式中，改进后的深度多流神经网络在相同的感受野范围内，通过不同形式的卷积核提取信号的各种特征，以获得更强的非线性表示，保证最终的分类结果更准确。结合第一方面第一种可能的实现方式，在第一方面第六种可能的实现方式中，改进高级分类表示，将预设数量的2×2或3×3卷积核串联连接，组合更多的非线性特征，使得网络具有较好的非线性拟合能力，输出表示为其中oc表示当前c层的输出数据大小，zc表示当前c层的输入数据大小，g代表卷积核的大小，其中g分别取1、2或3，对应于1×1、2×2、3×3卷积核，s表示步长，而表示向下舍入的符号。结合第一方面，在第一方面第七种可能的实现方式中，改进后的所述深度多流神经网络在训练过程中，优化器采用随机梯度下降法，并且初始学习率被设置为0.001，momentum被设定为0.9，在验证过程中，损失函数采用分类交叉熵，批量设置为128。附图说明图1为本申请实施例提供的一种基于深度多流神经网络的信号自动分类识别方法的流程示意图；图2为本申请实施例提供的卷积神经网络的结构示意图；图3为本申请实施例提供的深度多流神经网络的结构示意图；图4为本申请实施例提供的一种信道模型示意图；图5为本申请实施例提供的涉及的网络在不同流结构下的调制分类精度示意图；图6为本申请实施例提供的所涉及网络在不同的叠加单元情况下与其他神经网络方法的分类效果对比示意图。具体实施方式下面结合附图与具体实施方式对本方案进行阐述。图1为本申请实施例提供了一种基于深度多流神经网络的信号自动分类识别方法的流程示意图，参见图1，所述方法包括：S101，将深度多流神经网络的网络结构在水平方向上扩展，以实现深度多流神经网络提取更丰富的信号特征，适合于各种调制方案的信号数据集的分类。深度学习方法(DeepLearningMethod，DLM)已显示出在各种任务中的分类能力。例如图像识别，自动语音识别和机器翻译。主要原因是由于多个隐藏层能够学习隐藏在数据集中的高级表示形式。另一个原因是更好分类结果是网络层中使用的非线性逻辑函数。DLM可以更好地处理上述LB和FB遇到的问题，并自动获取更好的分类阈值。DLM的算法设计主要考虑网络结构在深度和宽度上的选择。典型的垂直深度网络包括ResNet和DenseNet，水平深层网络包括ReNeXT和ShuffleNet。从结构上说，本申请采用的具有多流形式的网络形式也是一种水平深层网络。随着网络结构宽度的增加，分类效果提高，参数数量减少。DLM通常有两个步骤：训练阶段和验证阶段。在训练阶段，通过输入的海量数据对深度网络进行训练，这会花费很多时间，而且计算复杂度很高且计算量很大。在验证阶段，输入数据实例以验证训练网络的识别效果，而该阶段仅消耗有限的计算资源即可在几毫秒内完成相关任务。在实际的通信系统部署中，使本文档来自技高网...

【技术保护点】
1.一种基于深度多流神经网络的信号自动分类识别方法，其特征在于，所述方法包括：/n将深度多流神经网络的网络结构在水平方向上扩展，以实现深度多流神经网络提取更丰富的信号特征，适合于各种调制方案的信号数据集的分类；/n在所述深度多流神经网络的每个流中叠加预设量的卷积单元，以提高深度多流神经网络的分类性能，防止网络训练困难和容易过拟合；/n对改进后的所述深度多流神经网络进行训练和验证，用于对信号进行分类识别。/n

【技术特征摘要】
1.一种基于深度多流神经网络的信号自动分类识别方法，其特征在于，所述方法包括：
将深度多流神经网络的网络结构在水平方向上扩展，以实现深度多流神经网络提取更丰富的信号特征，适合于各种调制方案的信号数据集的分类；
在所述深度多流神经网络的每个流中叠加预设量的卷积单元，以提高深度多流神经网络的分类性能，防止网络训练困难和容易过拟合；
对改进后的所述深度多流神经网络进行训练和验证，用于对信号进行分类识别。


2.根据权利要求1所述的基于深度多流神经网络的信号自动分类识别方法，其特征在于，所述深度多流神经网络的结构表达为：



其中ζ表示多流卷积输出，η表示由1×1和2×2卷积核组成的卷积流，p表示该流的数量，p＝1,2,…,P，μ表示由1×1和3×3卷积核组成的卷积流，q表示该流的数量，q＝1,2,…,Q，包括两种流，一种包括1×1的卷积核，另一种包括一个1×1的卷积核和AveragePooling。


3.根据权利要求2所述的基于深度多流神经网络的信号自动分类识别方法，其特征在于，所述在所述深度多流神经网络的每个流中叠加预设量的卷积单元包括：在每个卷积层之后，增加一个非线性函数层和一个归一化层。


4.根据权利要求1所述的基于深度多流神经网络的信号自动分类识别方法，其特征在于，输入到改进后的深度多流神经网络的输入信号的序列分为不同的长度，信号序列的每个长度都被输入到改进后的深度多流神经网络中,以获得丰富的调制识...

【专利技术属性】
技术研发人员：王岩，
申请(专利权)人：泰山学院，
类型：发明
国别省市：山东;37