基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法技术

本发明专利技术公开了一种基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法，首先处理训练数据集，设计ResNet网络训练模块，搭建ResNet训练网络和连接方式；其次根据布谷鸟算法相关步骤，设计CS寻优模块；然后进行无线电调制信号模型训练，并融合布谷鸟算法寻优模块不断迭代寻优，得到待优化目标超参数的优质解，残差网络根据优质解改进相关参数；最后经过训练后的网络输出准确率、混淆矩阵等，作为识别分类效果的指标，本方法采用CS算法优化初始参数设置，改变了以往凭借经验手动设置初始值不合理时影响网络训练效果及最终识别分类准确率的情况，通过迭代优化得到合适的初始权值，有效地改进了传统的ResNet训练的缺陷，同时具有很好的工程价值。时具有很好的工程价值。时具有很好的工程价值。

【技术实现步骤摘要】
基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法


[0001]本专利技术属于数字通信
，更具体地，涉及一种基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法。

技术介绍

[0002]现如今在军事领域和民用领域中对信号调制识别的需求越来越高，尤其是现如今5G通信技术的迅速发展，信号调制的需求将上升一个台阶，随之其难度也将上升。
[0003]现代通信调制方式更加复杂，且调制信号识别场景更加多样化，这使得如何提高信号调制识别分类的速度和准确率成为重要问题。深度学习作为一种可以适应多种信号调制种类的识别分类方法，有效解决了传统识别分类方法中需要提取特征的复杂过程。但是深度学习面临着网络初始化超参数时需要凭借经验手动设置初始值，且初始值设置不合理时会影响网络训练效果及最终的识别分类准确率的问题，因此，如何设置合适的超参数作为网络的初始值是当前的一个重要的任务。

技术实现思路

[0004]本专利技术提出了一种基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法。采用ResNet进行无线电调制信号深度学习时，若选择不合适的初始超参数，会使模型收敛速度慢，难以得到理想的训练效果，且影响最终的识别分类准确率。因此采用布谷鸟CS算法优化初始超参数设置，通过迭代优化得到合适的初始值，有效地改进了传统的ResNet训练的缺陷，同时具有很好的工程价值。
[0005]本专利技术是通过如下技术方案实现的：
[0006]基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法，在采用深度学习ResNet网络训练无线电调制信号识别分类时，采用布谷鸟算法优化ResNet初始超参数设置，通过迭代优化得到合适的初始值，有效地改进了传统的ResNet训练的缺陷，本方法包括以下步骤：
[0007]步骤一：处理无线电调制信号的训练数据集，设计ResNet网络训练模型，搭建ResNet残差训练网络和连接方式；
[0008]步骤二：根据步骤一搭建的ResNet网络训练模型和布谷鸟算法，设计CS寻优模块；进行无线电调制信号模型训练，并融合布谷鸟算法的CS寻优模块不断迭代寻优，得到待优化目标超参数的优质解，ResNet残差训练网络根据优质解改进待优化目标超参数；
[0009]步骤三：经过训练后的ResNet残差训练网络输出无线电调制信号识别分类的准确率、混淆矩阵，作为识别分类效果的指标。
[0010]进一步的技术方案包括：
[0011]步骤一的具体过程为：
[0012](1)利用h5py库对无线电调制信号的2018.01.osc.0001_1024数据集进行读取：
[0013]无线电调制信号的2018.01.osc.0001_1024数据集包括24种不同的调制方式，每
种调制方式下包括26种不同的信噪比；数据集文件夹下包含3个group，分别为X group、Y group和Z group，其中，X group中为待识别分类的I和Q两路调制信号，每路调制信号包含1024个点；Y group中为与X group中的样本对应的调制方式的one
‑
hot标签；Z group中为与X group中的样本对应的信噪比的标签；
[0014](2)采用随机函数random在X group里随机提取调制信号，同时从Y group中读取与X group中的样本对应的调制方式的标签，并同时从Z group中读取与X group中的样本对应的信噪比的标签，将2018.01.osc.0001_1024数据集分割为所需大小的数据量的小数据集，用于做分析对比；
[0015](3)读取被分割后的2018.01.osc.0001_1024数据集，采取随机模式抽取样本，按0.7:0.3的比例将2018.01.osc.0001_1024数据集划分为训练集和测试集，即2018.01.osc.0001_1024数据集中的70％的数据作为训练集，剩下的30％的数据作为测试集；
[0016](4)设计ResNet网络训练模型，搭建ResNet残差训练网络；在一个残差块中包含：1
×
1的卷积核、两个残差单元和最大池化层，其中残差单元就是残差网络中的残差块；ResNet残差训练网络布局包含一个输入层、六个残差块和三个全连接层，具体见表1的ResNet残差训练网络布局；
[0017]表1 ResNet残差训练网络布局
[0018][0019](5)借鉴图片分类的思想，一张图片的维度一般是width
×
height
×
channel，对应到无线电的I和Q两路调制信号就是1024
×2×
1，即将I和Q两路调制信号的数据定义为单个通道的1024
×
2大小的“图片”，作为残差网络的输入；
[0020](6)选取模型的优化器为Adam算法，鲁棒性较好；选取模型损失函数为categorical_crossentropy，即交叉熵损失函数，适用于多分类模型；对Keras层设置初始
化权重方式为kernel_initializer＝'glorot_normal'，即Glorot正态分布初始化方法；
[0021]步骤二的具体过程为：
[0022]结合步骤一的ResNet网络训练模型，设计CS寻优模型，并对ResNet网络训练模型的学习率和Dropout rate初始值进行布谷鸟算法迭代寻优设计：
[0023](1)确定待优化超参数，即ResNet网络训练模型的学习率和Dropout rate；定义初始鸟巢群体为学习率和Dropout rate，学习率和Dropout rate分别设定取值区间为[bound1,bound2]，为获得最好的训练效果，定义学习率和Dropout rate取连续区间[bound1,bound2]内的任意值；随机生成p个初始鸟巢的初始位置其中i＝1,2,
…
,p，令p＝150；设置相关参数，包括迭代次数m、布谷鸟被宿主鸟发现的概率P
a
∈[0,1]和终止阈值h；
[0024](2)为了达到最好的识别分类效果，设置布谷鸟算法的迭代优化目标为使测试集的准确率test_acc尽可能最大，因此定义目标函数f(X)为模型的test_acc的最大值test_acc
max
，即
[0025]f(X)＝test_acc
max
；
[0026](3)为ResNet网络训练模型设置早停机制，当val_loss连续迭代不再减少次数达到设定值patience＝10或总迭代次数达到设置的epoch值即epoch＝50时，ResNet网络训练模型停止训练；
[0027](4)ResNet网络训练模型首先在学习率和Dropout rate的取值区间里选取一个随机值作为初始值，随后将该初始值作为ResNet网络训练模型训练的初始超参数，进行一轮训练，并输出本次训练后的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法，其特征在于，在采用深度学习ResNet网络训练无线电调制信号识别分类时，采用布谷鸟算法优化ResNet初始超参数设置，通过迭代优化得到合适的初始值，有效地改进了传统的ResNet训练的缺陷，本方法包括以下步骤：步骤一：处理无线电调制信号的训练数据集，设计ResNet网络训练模型，搭建ResNet残差训练网络和连接方式；步骤二：根据步骤一搭建的ResNet网络训练模型和布谷鸟算法，设计CS寻优模块；进行无线电调制信号模型训练，并融合布谷鸟算法的CS寻优模块不断迭代寻优，得到待优化目标超参数的优质解，ResNet残差训练网络根据优质解改进待优化目标超参数；步骤三：经过训练后的ResNet残差训练网络输出无线电调制信号识别分类的准确率、混淆矩阵，作为识别分类效果的指标。2.根据权利要求1中所述的基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法，其特征在于，步骤一的具体过程为：(1)利用h5py库对无线电调制信号的2018.01.osc.0001_1024数据集进行读取：无线电调制信号的2018.01.osc.0001_1024数据集包括24种不同的调制方式，每种调制方式下包括26种不同的信噪比；数据集文件夹下包含3个group，分别为X group、Y group和Z group，其中，X group中为待识别分类的I和Q两路调制信号，每路调制信号包含1024个点；Y group中为与X group中的样本对应的调制方式的one
‑
hot标签；Z group中为与X group中的样本对应的信噪比的标签；(2)采用随机函数random在X group里随机提取调制信号，同时从Y group中读取与X group中的样本对应的调制方式的标签，并同时从Z group中读取与X group中的样本对应的信噪比的标签，将2018.01.osc.0001_1024数据集分割为所需大小的数据量的小数据集，用于做分析对比；(3)读取被分割后的2018.01.osc.0001_1024数据集，采取随机模式抽取样本，按0.7:0.3的比例将2018.01.osc.0001_1024数据集划分为训练集和测试集，即2018.01.osc.0001_1024数据集中的70％的数据作为训练集，剩下的30％的数据作为测试集；(4)设计ResNet网络训练模型，搭建ResNet残差训练网络；在一个残差块中包含：1
×
1的卷积核、两个残差单元和最大池化层，其中残差单元就是残差网络中的残差块；ResNet残差训练网络布局包含一个输入层、六个残差块和三个全连接层，具体见表1的ResNet残差训练网络布局；表1 ResNet残差训练网络布局
(5)借鉴图片分类的思想，一张图片的维度一般是width
×
height
×
channel，对应到无线电的I和Q两路调制信号就是1024
×2×
1，即将I和Q两路调制信号的数据定义为单个通道的1024
×
2大小的“图片”，作为残差网络的输入；(6)选取模型的优化器为Adam算法，鲁棒性较好；选取模型损失函数为categorical_crossentropy，即交叉熵损失函数，适用于多分类模型；对Keras层设置初始化权重方式为kernel_initializer＝'glorot_normal'，即Glorot正态分布初始化方法。3.根据权利要求2中所述的基于布谷鸟算法改进ResNet的无线电调制信号识别分类方法，其特征在于，步骤二的具体过程为：结合步骤一的ResNet网络训练模型，设计CS寻优模型，并对ResNet网络训练模型的学习率和Dropout rate初始值进行布谷鸟算法迭代寻优设计：(1)确定待优化超参数，即ResNet网络训练模型的学习率和Dropout rate；定义初始鸟巢群体为学习率和Dropout rate，学习率和Dropout rate分别设定取值区间为[bound1,bound2]，为获得最好的训练效果，定义学习率和Dropout rate取连续区间[bound1,bound2]内的任意值；随机生成p个初始鸟巢的初始位置X
i1
，其中i＝1,2,
…
,p，令p＝150；设置相关参数，包括迭代次数m、布谷鸟被宿主鸟发现的概率P
a
∈[0,1]和终止阈值h；(2)为了达到最...

【专利技术属性】
技术研发人员：丛玉良，王皓，赵欣宇，孙闻晞，刘慧敏，孙淑娴，
申请(专利权)人：吉林大学，
类型：发明
国别省市：