基于模糊密集卷积网络的无线电自动调制识别方法技术

本发明专利技术公开了一种基于模糊密集卷积网络的无线电自动调制识别方法，包括以下步骤：S1、获取无线电IQ数据；S2、随机抽取部分IQ数据作为测试集，随机抽取部分IQ数据作为验证集，剩余IQ数据作为训练集；S3、将训练集的IQ数据输入模糊密集卷积网络进行训练；S4、将测试集的IQ数据输入训练后的模糊密集卷积网络，计算IQ数据在每层获得的特征信息，获得IQ数据的识别结果；其中，所述模糊密集卷积网络包括输入层、N个稠密块、N个过渡块和输出层，N为正整数，稠密块和过渡块间隔设置。与现有技术相比，本发明专利技术提供的无线电自动调制识别方法能更好地将各纹理信息组合成更有用的信息实现提高识别效果，且使用模糊层能够进一步提高网络对IQ信号的鲁棒性。

【技术实现步骤摘要】
基于模糊密集卷积网络的无线电自动调制识别方法
本专利技术涉及模糊密集卷积网络，具体是基于模糊密集卷积网络的无线电自动调制识别方法。
技术介绍
无线电的自动调制识别(AMR)是一个具有非常大的挑战性和充满价值的研究。在许多民用和军事领域扮演着重要的角色，例如频谱检测，电子对抗等。自动调制识别是在没有专家经验的情况下利用接收的信号对无线电信号的调制方式进行识别，这种端到端的方式对调制识别有着非常重要的意义和作用。随着无线电技术发展，使用深度学习对信号的自动调制识别成为了一个非常具有潜力和挑战性的研究。现在调制识别中，主要以使用各种卷积网络结构在IQ数据或频谱图进行特征提取。IQ图像与普通图像不同，IQ图像的纹理信息表示幅值大小，图片宽度表示时间序列信息，现有的卷积神经网络更关注纹理，但是IQ图像的纹理是幅值信息，使其对IQ信号识别效果不佳。
技术实现思路
本专利技术的目的在于克服现有技术中的采用卷积神经网络进行无线电自动调制识别时，存在着关注纹理信息而不是形状的缺点，神经网络对IQ信号识别效果不佳的不足，提供了一种基于模本文档来自技高网...

【技术保护点】
1.基于模糊密集卷积网络的无线电自动调制识别方法，其特征在于，包括以下步骤：/nS1、获取无线电IQ数据；/nS2、随机抽取部分IQ数据作为测试集，随机抽取部分IQ数据作为验证集，剩余IQ数据作为训练集；/nS3、将训练集的IQ数据输入模糊密集卷积网络进行训练；/nS4、将测试集的IQ数据输入训练后的模糊密集卷积网络，计算IQ数据在每层获得的特征信息，获得IQ数据的识别结果；/n其中，所述模糊密集卷积网络包括输入层、N个稠密块、N个过渡块和输出层，N为正整数，稠密块和过渡块间隔设置，每个稠密块的输出经过一个过渡块后作为下一稠密块的输入；输入层输入数据至第一稠密块，数据经过稠密块和过渡块后，输出...

【技术特征摘要】
1.基于模糊密集卷积网络的无线电自动调制识别方法，其特征在于，包括以下步骤：
S1、获取无线电IQ数据；
S2、随机抽取部分IQ数据作为测试集，随机抽取部分IQ数据作为验证集，剩余IQ数据作为训练集；
S3、将训练集的IQ数据输入模糊密集卷积网络进行训练；
S4、将测试集的IQ数据输入训练后的模糊密集卷积网络，计算IQ数据在每层获得的特征信息，获得IQ数据的识别结果；
其中，所述模糊密集卷积网络包括输入层、N个稠密块、N个过渡块和输出层，N为正整数，稠密块和过渡块间隔设置，每个稠密块的输出经过一个过渡块后作为下一稠密块的输入；输入层输入数据至第一稠密块，数据经过稠密块和过渡块后，输出层输出数据结果；所述输入层设有第一一维模糊层；所述稠密块包括M个稠密层，M为正整数，每个稠密层由第一卷积层和第二卷积层连接而成，第一卷积层和第二卷积层均由批量归一化、激活层和卷积层顺序连接，数据依次经过两个卷积层；所述过渡块中设有第三卷积层和第二一维模糊层，数据经批量归一化后，依次经过第三卷积层和第二一维模糊层；所述输出层包括池化层和全连接层，数据依次经过池化层和全连接层，所述池化层采用全局平均池化。


2.如权利要求1所述的基于模糊密集卷积网络的无线电自动调制识别方法，其特征在于，步骤S2具体为：随机抽取10％IQ数据作为测试集，随机抽取10％IQ数据作为验证集，剩余80％IQ数据作为训练集；步骤S3中还包括若10个训练周期内验证集识别率没有提高，则停止训练。


3.如权利要求1所述的基于模糊密集卷积网络的无线电自动调制识别方法，其特征在于，所述第一一维模糊层步长为1，第一一维模糊...

【专利技术属性】
技术研发人员：雒瑞森，颜逸为，李晏铭，王之远，边彤，赵旭飞，余勤，张江，龚晓峰，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51