基于稀疏深度神经网络的调制信号识别方法及系统技术方案

本发明专利技术公开了一种基于稀疏深度神经网络的调制信号识别方法及系统，属于调制信号识别技术领域。包括提取调制信号图像特征；构建神经网络模型，所述神经网络模型包括特征提取网络和特征分类网络，所述特征提取网络和特征分类网络均包括若干个卷积层，每一卷积层的ReLU激活前引入BN层，利用BN层的缩放因子γ与每一卷积层的输出通道相关联；对所述神经网络模型进行压缩，首先对构建好的神经网络模型进行稀疏正则化训练，然后按照剪枝率修剪模型冗余的通道，最后模型再次训练对参数进行微调，恢复因剪枝而损失的精度；将调制信号图像特征输入压缩好后的神经网络模型中识别调制信号的类型。本发明专利技术有效降低了模型参数量和计算量，从而便于部署。而便于部署。而便于部署。

【技术实现步骤摘要】
基于稀疏深度神经网络的调制信号识别方法及系统


[0001]本专利技术属于调制信号识别
，具体涉及一种基于稀疏深度神经网络的调制信号识别方法及系统。

技术介绍

[0002]在非协作通信系统中，自动调制识别技术作为一种关键技术，是频谱监测过程中的重要组成部分，在认知无线电频谱感知、战场信号截获等军民应用领域发挥着重要作用。近些年，自动调制识别技术作为一种非协作通信系统中的关键技术，一直是通信界的主要研究课题之一。随着对电磁信号调制识别精度和效率的要求越来越高，基于深度学习技术的自动调制识别技术逐渐成为研究热点。卷积神经网络(Convolutional Neural Network,CNN)作为深度学习的一个分支，凭借其在图像分类上的优越性能，能够把调制信号的识别问题转化为图像分类问题。
[0003]现有技术中，已有很多相应的技术方案，例如申请号为201710720483.6的中国专利中，公开了一种基于深度学习的无线通信调制信号识别方法，该专利申请中对捕获到的待识别调制信号进行采样；对采样所得到的采样序列进行归一化，根据归一化后的采样序列制作调制信号的二维直方图；构建深度卷积神经网络；利用训练样例训练深度卷积神经网络；利用训练好的深度卷积神经网络识别无线通信调制信号。该申请中调制信号的识别效果不依赖人工对于特征的选择和提取，并且在低信噪比的情况下也有很高的识别正确率。
[0004]再例如，申请号为201811612118.4的中国专利申请中，公开了一种基于星座图的信号调制样式识别方法，该专利申请中利用深度学习中的卷积神经网络对星座图进行特征提取，自动学习到星座图的局部区域位置、方向信息等抽象特征，通过对星座图分类来完成对信号调制样式的识别；可以同时识别多种信号调制样式，可以在低信噪比下准确地识别信号调制样式，具有较好的泛化能力，可通过输入更多不同信号调制样式类型、不同信噪比条件下的数据集来提高识别能力。
[0005]然而对于神经网络来说，随着网络层数和神经元数量的增加，网络性能会有一定的提高，但随之而来的是内存和计算成本的增加，这一特点限制了将基于深度学习的调制信号分类模型部署于资源受限的设备中。

技术实现思路

[0006]技术问题：本专利技术着眼于低复杂度约束条件下调制信号的识别问题，提供一种基于稀疏深度卷积神经网络的调制信号识别方法及系统，在不影响精度的前提下，降低了模型参数量和计算量，以便于部署于在资源受限的设备上。
[0007]技术方案：本专利技术一方面，提供一种基于稀疏深度神经网络的调制信号识别方法，包括：
[0008]提取调制信号图像特征；
[0009]构建神经网络模型，所述神经网络模型包括特征提取网络和特征分类网络，所述特征提取网络和特征分类网络均包括若干个卷积层，每一卷积层的ReLU激活前引入BN层，利用BN层的缩放因子γ与每一卷积层的输出通道相关联；
[0010]对所述神经网络模型进行压缩，首先对构建好的神经网络模型进行稀疏正则化训练，然后按照剪枝率修剪模型冗余的通道，最后模型再次训练对参数进行微调，恢复因剪枝而损失的精度；
[0011]将调制信号图像特征输入压缩好后的神经网络模型中识别调制信号的类型。
[0012]进一步地，所述提取调制信号图像特征包括：对调制信号正交解调，获取I/Q两路数据绘制信号的星座图，然后基于星座图中各信号点密度对星座图上色，增强星座图特征。
[0013]进一步地，所述调制信号类型包括4ASK、BPSK、QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM。
[0014]进一步地，所述对构建好的模型进行稀疏正则化训练时，对缩放因子γ实施稀疏性惩罚，在原来的损失函数中增加一项关于γ的正则化，让缩放因子与网络权重一起被优化，以获得稀疏的网络结构。
[0015]进一步地，所述按照剪枝率修剪模型冗余的通道时，按从小到大的顺序对缩放因子γ的绝对值排序，然后为整个网络所有层设置剪枝率作为所有缩放因子值的一个比例，剪枝时按照这个比例剪掉网络中相应的通道。
[0016]进一步地，所述的所述特征提取网络为AlexNet网络的特征提取网络，包括5个卷积层；
[0017]所述特征分类网络包括3个卷积层。
[0018]进一步地，所述方法还包括对神经网络模型的训练和性能评估，将总体识别率作为模型识别性能的评估指标；将模型参数量作为模型存储规模的评价指标；将FLOPs作为模型计算速度的评价指标。
[0019]本专利技术另一方面，提供一种基于稀疏深度神经网络的调制信号识别系统，包括：
[0020]特征提取单元，其配置为提取调制信号图像特征；
[0021]模型构建单元，其配置为构建神经网络模型，所述神经网络模型包括特征提取网络和特征分类网络，所述特征提取网络和特征分类网络均包括若干个卷积层，每一卷积层的ReLU激活前引入BN层，利用BN层的缩放因子γ与每一卷积层的输出通道相关联；
[0022]压缩单元，其配置为对所述调制信号模型进行压缩，首先对构建好的模型进行稀疏正则化训练，然后按照剪枝率修剪模型冗余的通道，最后模型再次训练对参数进行微调，恢复因剪枝而损失的精度；
[0023]识别单元，其配置为将调制信号图像特征输入压缩好后的神经网络模型中识别调制信号的类型。
[0024]进一步地，所述系统还包括评估单元，其配置为对分类神经网络模型训练和性能评估，其中，将总体识别率作为模型识别性能的评估指标；将模型参数量作为模型存储规模的评价指标；将FLOPs作为模型计算速度的评价指标。
[0025]有益效果：本专利技术与现有技术相比，具有以下优点：
[0026](1)本专利技术的实施例中利用正交解调获取信号的I/Q两路数据，并绘制信号的星座图，基于星座图中的信号点密度对星座图上色，使各调制类型的星座图特征区分度更加明
显。
[0027](2)本专利技术的实施例中，基于AlexNet模型，将卷积层代替分类网络中全连接层用于特征分类，使网络成为全卷积网络：一方面，相较于之前的全连接层更加灵活，不需要限定输入图像的分辨率；另一方面，相较于之前的全连接层更加高效，只需要做一次前向计算，节约了计算。而且在每一卷积层的ReLU激活前引入BN层：一方面加速了网络训练；一方面引入BN层的缩放因子γ与每一卷积层的输出通道相关联，评估各通道的重要性。
[0028](3)本专利技术的实施例中，通过在原来的损失函数中增加一项关于γ的正则化，联合缩放因子与网络权重，通过稀疏正则化训练，剪枝和微调对模型进行压缩，在保证了识别精度的前提下，减少了网络中冗余的通道，较大程度的降低了模型参数量和计算量，从而便于在资源受限的设备中部署。
附图说明
[0029]图1为本专利技术实施例中基于稀疏深度神经网络的调制信号识别方法的流程图；
[0030]图2为基于点密度对星座图上色示意图；
[0031]图3为在不同信噪比下特征增强后的星座图；
[0032]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏深度神经网络的调制信号识别方法，其特征在于，包括：提取调制信号图像特征；构建神经网络模型，所述神经网络模型包括特征提取网络和特征分类网络，所述特征提取网络和特征分类网络均包括若干个卷积层，每一卷积层的ReLU激活前引入BN层，利用BN层的缩放因子γ与每一卷积层的输出通道相关联；对所述神经网络模型进行压缩，首先对构建好的神经网络模型进行稀疏正则化训练，然后按照剪枝率修剪模型冗余的通道，最后模型再次训练对参数进行微调，恢复因剪枝而损失的精度；将调制信号图像特征输入压缩好后的神经网络模型中识别调制信号的类型。2.根据权利要求1所述的方法，其特征在于，所述提取调制信号图像特征包括：对调制信号正交解调，获取I/Q两路数据绘制信号的星座图，然后基于星座图中各信号点密度对星座图上色，增强星座图特征。3.根据权利要求2所述的方法，其特征在于，所述调制信号类型包括4ASK、BPSK、QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM。4.根据权利要求3所述的方法，其特征在于，所述对构建好的模型进行稀疏正则化训练时，对缩放因子γ实施稀疏性惩罚，在原来的损失函数中增加一项关于γ的正则化，让缩放因子与网络权重一起被优化，以获得稀疏的网络结构。5.根据权利要求4所述的方法，其特征在于，所述按照剪枝率修剪模型冗余的通道时，按从小到大的顺序对缩放因子γ的绝对值排序，然后为整个网络所有层设置剪枝率作为所有缩放因子值的一个比例，剪枝时按照这个比例剪掉网络中相应的通道。...

【专利技术属性】
技术研发人员：张涛，杨小蒙，吴昊，唐震，方浩，
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：