基于一维复值残差网络的电磁信号辨识方法技术

本发明专利技术提供了一种基于一维复值残差网络的电磁信号辨识方法，将接收机接收到的通信信号转换为int16格式的信号数据，并进行傅里叶变换，画出信号的频谱图，估计出该信号的载波频率，对信号进行重采样，并进行中频滤波后再功率归一化，将功率归一化处理后的数据集通过一维复值残差网络进行训练，从而计算模型在测试集上的准确率。本发明专利技术解决现有研究中使用通信信号的实数表示训练神经网络造成信号的特征丢失问题，同时残差网络能够避免梯度消失问题，从而能够设计更深的网络提取通信信号的原始特征，实现调制识别较高的准确率。实现调制识别较高的准确率。实现调制识别较高的准确率。

【技术实现步骤摘要】
基于一维复值残差网络的电磁信号辨识方法


[0001]本专利技术涉及通信领域，尤其是一种无线通信信号的调制识别方法，适用于采用深度学习技术辨识电磁信号的调制方式。

技术介绍

[0002]电磁信号的自动调制识别(Automatic Modulation Recognition，AMR)作为信号检测和信号解调之间的中间过程，提供信号调制信息，在认知无线电、信号识别、威胁评估和频谱监测等民用和军事应用中发挥着关键作用。
[0003]传统的电磁信号辨识方法可以分为两类：基于似然的方法和基于特征的方法。基于似然的方法通常获得较高的精度并将出错的概率降到最低，但此类方法存在高延迟分类或需要完整的先验知识，并且它的计算量很大。传统的基于特征的方法多采用决策树、支持向量机等分类器，分类准确率较低。
[0004]近年来，以深度学习为代表的人工智能方法利用网络的学习能力，不需要提取专家特征，在电磁信号辨识方面取得了显著的进展。但是，当前深度学习方法大多是用信号的实数表示训练神经网络，较少利用到复数的实虚部关联信息，从而限制了电磁信号识别准确率的进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于一维复值残差网络的电磁信号辨识方法，其特征在于包括下述步骤：步骤1：将接收机接收到的通信信号转换为int16格式的信号数据；步骤2：对步骤1的信号数据进行傅里叶变换，画出信号的频谱图，估计出该信号的载波频率；步骤3：用四倍的载波频率重采样步骤1生成的信号数据；步骤4：根据步骤2估计出的载波频率对步骤重采样后3得到的信号进行中频滤波；步骤5：对步骤4中频滤波后的信号进行功率归一化处理；步骤6：将功率归一化处理后的数据集分为训练集和测试集，设计一维复值残差网络，使用一维复值残差网络进行训练，然后使用测试集送入训练好的深度复值注意力机制神经网络进行测试，得到对应的数字信号调制模式；步骤7：模型测试将划分好的测试集输入训练好的模型，将模型的输出类别于每一个数据的标签类别进行判断，计算模型在测试集上的准确率。2.根据权利要求1所述的基于一维复值残差网络的电磁信号辨识方法，其特征在于：所述步骤6中的一维复值残差网络为6个子模块，6个子模块分别为第一一维复值卷积模块，第一C
‑
ResNet Block模块，第二C
‑
ResNet Block模块、第三C
‑
ResNet Block模块、第四C
‑
ResNet Block模块和全连接层模块，6个子模块依次串行连接。3.根据权利要求2所述的基于一维复值残差网络的电磁信号辨识方法，其特征在于：所述第一C
‑
ResNet Block模块包括3个复值ResNet构建块，所述第二C
‑
ResNetBlock模块包括4个复值ResNet构建块，所述第三C
‑
ResNet Block模块包括6个复值ResNet构建块，所述第四C
‑
ResNet Block模块包括3个复值ResNet构建块。4.根据权利要求3所述的基于一维复值残差网络的电磁信号辨识方法，其特征在于：所述复值ResNet构建块包括第一一维复值卷积层，第一一维复Batchnorm层，第一复值ReLu激活函数，第二一维复值卷积层，第二一维复值Batchnorm层，第一复值downsample和第二复值ReLU激活函数，以上复值卷积层和激活函数串行连接。5.根据权利要求4所述的基于一维复值残差网络的电磁信号辨识方法，其特征在于：所述...

【专利技术属性】
技术研发人员：王伶，梁智，范一飞，宫延云，陶明亮，韩闯，杨欣，张兆林，谢坚，汪跃先，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：