基于深度学习的信号调制方式识别方法技术

本发明专利技术公开了基于深度学习的信号调制方式识别方法，包括：采集不同调制方式的调制信号的原始IQ数据并进行数据预处理；构建卷积神经网络模型；构建训练工具并对卷积神经网络模型进行训练，得到调制识别模型；对输入信号进行预测，输出信号的调制方式或调制协议或自定义信号种类。本发明专利技术支持对不同调制方式、不同调制协议、自定义信号的有效识别；具备识别新信号的能力，支持使用者根据需要进行动态扩展。

【技术实现步骤摘要】
基于深度学习的信号调制方式识别方法
本专利技术涉及无线通信与电磁频谱监管
，尤其是信号调制方式识别技术，具体的说，是一种基于深度学习的信号调制方式识别方法。
技术介绍
对通信信号进行解调的前提是要确定该通信信号的调制方式及参数如信号频率、信号带宽等。调制方式是区别不同调制信号的主要特征之一，在进行检测信号和估计参数以后，对接收到调制信号进行相应处理，并根据方式判别准则完成对应的调制方式的判定，为后续的信号解调、实施电子干扰、电磁频谱检测、电子对抗、异常信号识别等非合作通信任务提供必要的信息，信号的调制方式自动识别已在军民领域得到广泛应用，包括无线通信、导航和雷达等。为了满足各种业务需求，研究人员为此设计了各种各样的信号调制方式。不同的信道需要采用相应的调制方式，以满足不同的信道条件需求。对于信息的传输速度、传输带宽和传输质量的更高要求推动了现代通信技术的不断前进，也推动了更多种类调制方式的产生，因此对于信号调制方式识别技术的需求越来越大。在传统的基于特征的信号调制方式识别算法中，大多是通过人工设计专家特征再进行特征提取和识本文档来自技高网...

【技术保护点】
1.一种基于深度学习的信号调制方式识别方法，其特征在于，包括：/n步骤S1：采集不同调制方式的调制信号的原始IQ数据；/n步骤S2：对原始IQ数据进行数据预处理；/n步骤S3：构建卷积神经网络模型；/n步骤S4：构建训练工具并对卷积神经网络模型进行训练，得到调制识别模型，具体包括：/n步骤S41：利用工具包pyqt搭建模型训练的GUI工具，采集不同调制协议的信号和/或用户自定义种类的信号，输入卷积神经网络模型，卷积神经网络模型根据输入信号的种类调整模型输出层的节点数；/n步骤S42：将卷积神经网络模型训练过程置入GUI工具中，训练完成后，输出模型文件；/n步骤S5：加载模型文件，对输入信号进行...

【技术特征摘要】
1.一种基于深度学习的信号调制方式识别方法，其特征在于，包括：
步骤S1：采集不同调制方式的调制信号的原始IQ数据；
步骤S2：对原始IQ数据进行数据预处理；
步骤S3：构建卷积神经网络模型；
步骤S4：构建训练工具并对卷积神经网络模型进行训练，得到调制识别模型，具体包括：
步骤S41：利用工具包pyqt搭建模型训练的GUI工具，采集不同调制协议的信号和/或用户自定义种类的信号，输入卷积神经网...

【专利技术属性】
技术研发人员：佘俊林，唐柯，吕志良，陈曾，张笑语，
申请(专利权)人：成都华日通讯技术股份有限公司，
类型：发明
国别省市：四川;51