基于熵加权-多模态域对抗神经网络的调制方式识别方法技术

本发明专利技术涉及调制方式识别方法，特别涉及一种基于熵加权

【技术实现步骤摘要】
基于熵加权
‑
多模态域对抗神经网络的调制方式识别方法


[0001]本专利技术涉及调制方式识别方法，特别涉及一种基于熵加权
‑
多模态域对抗神经网络的调制方式识别方法。

技术介绍

[0002]调制方式识别作为认知无线电需要完成的关键任务之一，位于信号检测和信号解调之间，它的目的是在有限或者没有先验信息的条件下，识别接收到的未知信号的调制方式，为后续信号解调打下基础。
[0003]传统调制方式识别方法主要使用基于最大似然和基于特征的方法，但这些方法主要存在难以适应不断发展的复杂信号调制方式和严重依赖于人工设置门限的问题。为应对这些问题和挑战，研究人员将深度学习引入调制方式识别方法中，赋予调制方式识别方法以机器智能，深度学习的优势在于无需人工设计、提取信号特征，深度神经网络可自动化进行信号特征提取及信号分类，其提取到的信号特征具有更强的鲁棒性和泛化能力，各式各样的深度学习技术包括卷积神经网络、递归神经网络和一些混合模型被应用于调制方式识别方法中，已被证明优于传统调制方式识别方法性能。/>[0004]然而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于熵加权
‑
多模态域对抗神经网络的调制方式识别方法，其特征在于，该方法包括以下步骤：S1建立神经网络模型S1.1建立模态特征提取器模块，模态特征提取器模块包含三个模态特征提取器，每个模态特征提取器包含五个卷积层，一个二元自适应均值汇聚层，一个全连接层，第一个卷积层的卷积核尺寸为m
×
n，m＝1或2，n∈[2,10]且n∈Z，后四个卷积层的卷积核尺寸均为1
×
q，q∈[2,10]且q∈Z，输入特征维度为2
×
N维，输出特征维度为128维，随机初始化三个模态特征提取器的网络权重参数θ
f1
,θ
f2
,θ
f3
；S1.2建立域鉴别器模块，域鉴别器模块包含三个域鉴别器，每个域鉴别器包含一个梯度反转层，三个全连接层和一个sigmoid层，输入维度为128维，输出维度为1维；第一域鉴别器连接在第一模态特征提取器后，第二域鉴别器连接在第二模态特征提取器后，第三域鉴别器连接在第三模态特征提取器后，随机初始化三个域鉴别器的网络权重参数θ
d1
,θ
d2
,θ
d3
；S1.3建立标签预测器，标签预测器包含两个全连接层和一个softmax层，输入特征维度为384维，输出维度为P维，P为源域调制数据的种类，随机初始化标签预测器的网络权重参数θ
y
；S2提取同向正交分量、谱特征分量、归一化瞬时幅度相位特征分量S2.1：从有标签源域调制信号训练数据集与无标签目标域调制信号训练数据集的复基带信号样本中提取同向正交分量F
iq,j
，n＝1,2...,N，N为每个复基带信号样本的长度；源域样本数为N
s
，目标域样本数为N
t
，j＝1,2，...,N
s
+N
t
，有标签源域调制信号训练数据的类别标签为y
i
,i＝1,2,...,N
s
，有标签源域调制信号训练数据和无标签目标域调制信号训练数据的域标签为d
j
；同向正交分量F
iq,j
由同向分量I
j
(n)和正交分量Q
j
(n)组成，同向分量I
j
(n)为的实部，正交分量Q
j
(n)为的虚部，则有：F
iq,j
＝[I
j
(n)；Q
j
(n)]；S2.2从有标签源域调制信号训练数据集与无标签目标域调制信号训练数据集的复基带信号样本中提取谱特征分量F
spc,j
：谱特征分量F
spc,j
由频谱幅度X
j
(k)和平方谱幅度X
j,2
(k)组成，频谱幅度平方谱幅度为则有：F
spc,j
＝[X
j
(n)；X
j,2
(n)]；S2.3从有标签源域调制信号训练数据集与无标签目标域调制信号训练数据集的复基带信号样本中提取归一化瞬时幅度相位特征分量F
ap,j
：归一化瞬时幅度相位特征分量F
ap,j
由归一化瞬时幅度amp
j
(n)和瞬时相位phase
j
(n)组成，归一化瞬时幅度瞬时相位为则
有：F
ap,j
＝[amp
j
(n)；phase
j
(n)]；S3模态特征提取S3.1从S2.1中提取的同向正交分量F
iq,j
中提取模态特征G
f1
(F
iq,j
)，其中G
f1
表示第一模态特征提取器；S3.2从S2.2中提取的谱特征分量F
spc,j
中提取模态特征G
f2
(F
spc,j
)，其中G
f2
表示第二模态特征提取器；S3.3从S2.3中提取的归一化瞬时幅度相位特征分量F
ap,j
中提取模态特征G
f3
(F
ap,j
)，其中G
f3
表示第三模态特征提取器；S4计算域对抗损失S4.1将第一模态特征提取器提取的模态特征G
f1
(F
iq,j
)输入第一域鉴别器，用第一域鉴别器的输出与域标签d
j
进行比对，计算出同相正交分量域对抗损失λ1为同相正交分量域对抗损失的权重参数，L(
·
，
·
)是二元交叉熵损失函数，d
j
为源域和目标域调制信号样本的域标签，表示第一域鉴别器；S4.2将第二模态特征提取器提取的模态特征G
f2
(F
spc,j
)输入第二域鉴别器，用第二域鉴别器的输出与域标签d
j
进行比对，计算出谱特征分量域对抗损失λ2为谱特征分量域对抗损失的权重参数，表示第二域鉴别器；S4.3将第三模态特征提取器提取的模态特征G
f3
(F
ap,j
)输入第三域鉴别器，用第三域鉴别器的输出与域标签d
j
进行比对，计算出归一化瞬时幅度相位特征分量域对抗损失λ3为归一化瞬时幅度相位特征分量域对抗的权重参数，表示第三域鉴别器；S5特征融合对G
f1
(F
iq,j
)，G
f2
(F
spc,j
)，G
f3
(F
ap,j
)进行concat串行拼接，形成拼接融合后的特征F
j
：F
j
＝[G...

【专利技术属性】
技术研发人员：李保国，徐强，王翔，黄知涛，邓文，张澄安，刘毅远，姚怡舟，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：