基于卷积循环网络的信号调制识别系统及调制识别方法技术方案

一种基于卷积循环网络的信号调制识别系统及调制识别方法，公开了一种基于卷积循环网络的数字信号自动调制识别方法：将接收的数字信号的I/Q分量原始数据作为输入；设计深度卷积网络提取特征，拓展I/Q维度增加特征的丰富性，压缩时间维度降低分类的时间成本开销；在时间维度引入循环网络结构提取时序信息；利用全连接层输出完成调制识别。本发明专利技术所提出的方法在含噪声的公开数据集RML2016.10b中低信噪比的情况下，取得了比现有方法更好的效果。

【技术实现步骤摘要】
基于卷积循环网络的信号调制识别系统及调制识别方法
本专利技术涉及数字通信信号调制
，具体涉及一种基于卷积循环网络的信号调制识别系统及调制识别方法，尤其涉及一种基于卷积循环网络的数字信号自动调制识别系统及调制识别方法。
技术介绍
数字信号的优点很多，首先是它抗干扰的能力特别强，它不但可以用于通讯技术，而且还可以用于信息处理技术，另一方面，而数字信号的自动调制识别是非协作通信和信息监听等领域的关键技术之一,同时也是软件无线电技术的重要组成部分。现阶段含噪声的数字信号的自动调制识别具有三类方法：统计假设检验、传统模式识别和深度学习方法。统计假设检验采用信号的均值、方差、协方差等统计信息作为随机变量，引入概率分布和假设检验来完成数字信号的识别，然而，这些变量在非协作通信中都是很难准确估计的，从而导致信号识别的精确性和鲁棒性较差。传统模式识别方法，将假设检验推广到传统分类器，由于传统分类器的分类能力有限，对所提特征要求高。识别效果的好坏，受识别信号种类的影响，依然存在识别种类少、低信噪比下鲁棒性差等问题。基于深度学习的识别方本文档来自技高网...

【技术保护点】
1.一种基于卷积循环网络的信号调制识别系统，其特征在于，包括所述深度卷积网络包括3个卷积层、双向长短时记忆模型、注意力神经网络、全连接层和输出层；/n所述3个卷积层、双向长短时记忆模型、注意力神经网络、全连接层和输出层以通信连接的方式依次顺序级联。/n

【技术特征摘要】
1.一种基于卷积循环网络的信号调制识别系统，其特征在于，包括所述深度卷积网络包括3个卷积层、双向长短时记忆模型、注意力神经网络、全连接层和输出层；
所述3个卷积层、双向长短时记忆模型、注意力神经网络、全连接层和输出层以通信连接的方式依次顺序级联。


2.一种基于卷积循环网络的信号调制识别系统的调制识别方法，其特征在于，包括以下步骤：
步骤1，首先将接收的数字信号的I分量和Q分量的原始数据作为输入数据；设计深度卷积网络对所述输入数据提取特征，拓展I分量的维度和Q分量的维度来增加特征的丰富性，压缩时间维度降低分类的时间成本开销；
步骤2，然后在时间维度引入多层循环网络结构提取时序信息，也即矢量序列，所述循环网络结构选取具有上下文长时间建模能力的双向长短时记忆模型；
步骤3，对双向长短时记忆模型BLSTM的作为输出信息的时序信息通过注意力神经网络AttentionNetwork层引入注意力机制，将矢量序列自适应加权得到单个矢量输出；
步骤4，所述矢量输出通过级联的全连接层和输出层，输出各调制种类的概率值，完成调制识别；
步骤5，确定深度卷积网络初始化参数，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6，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。


3.根据权利要求2所述的基于卷积循环网络的信号调制识别系统的调制识别方法，其特征在于，所述步骤1中的将接收的数字信号的I分量和Q分量的原始数据作为输入数据，包括：<...

【专利技术属性】
技术研发人员：王艺敏，苏洋，周华，徐智勇，蒲涛，沈荟萍，汪井源，李建华，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：湖北;42