一种残差神经网络模型及其信号调制识别方法技术

本发明专利技术公开了一种残差神经网络模型及其信号调制识别方法，包括6层残差栈及两次全连接，第一层全连接节点为128，第二层全连接节点为24；每个残差栈设计包含1次线性卷积层、3个残差单元和1次最大池化，残差单元中经一次线性整流函数激活的卷积操作后，输入数据与输出结果跳跃连接；残差栈输入为维度1024*2的数据，卷积层为含32个滤波器的1*1窗口卷积；第一层残差栈卷积核为(3,2)，最大池化为(2,2)；输出维度为512*1后，第二层至第六层残差栈卷积核均为(3,1)，最大池化均为(2,1)；将维度1024*2的采样信号数据输入训练好的残差神经网络模型，输出即为识别的调制类型。本发明专利技术在实现自动特征学习的同时，识别精度优于现有模型，训练时长大幅缩短，有效降低了硬件算力需求。有效降低了硬件算力需求。有效降低了硬件算力需求。

【技术实现步骤摘要】
一种残差神经网络模型及其信号调制识别方法


[0001]本专利技术涉及电磁信号识别
，尤其是一种残差神经网络模型及其信号调制识别方法。

技术介绍

[0002]电磁信号识别，是电磁环境感知与处理的基础，也是进一步进行环境治理、电子对抗等活动的前提。信号识别具体可再分为信号调制识别、工作模式识别、辐射源个体识别等多个内容。其中，信号调制识别主要通过对信号的频域、时域等特征进行提取和处理，从而获得信号的调制方式，之后为工作模式识别、辐射源个体识别等工作提供先验信息输入，因此是信号识别的基础支撑技术。
[0003]在早期的信号环境中，辐射源数量少、信号制式简单。随着技术发展，电磁辐射源越来越密集、信号调制类型越来越多。如高性能数字调制技术QAM（Quadrature Amplitude Modulation），其因频谱利用率高等优点近几十年来一直发展创新，第四代移动通信(4G)中使用了可变阶数的QAM调制，上下行支持64QAM，发展到第五代移动通信(5G)，将采用256QAM或更高阶数调制。在军事应用中，为提高电子对抗能力，各国专家陆续研制多种调制方式使信号难以被截获识别，各种电子作战设备基于不同功能也开始使用更多调制方式。信号调制类型的增多以及复杂度的提高让电磁信号调制识别比以往愈发困难。
[0004]一般认为，类型越多分类难度越大。高阶信号的复杂度随阶数增加而提高，混合多种类型高阶信号将大大增加识别难度。目前对多类型混合信号的调制识别研究还比较少，现有技术1中记载了一个包含24类信号的大规模I/Q信号数据集，包含常见数字信号、模拟信号以及多种高阶信号等。与其他数据集不同，这些信号在包含载波频率偏移、符号速率偏移和延迟扩展等损伤的信道环境中捕获，所受影响都比加性高斯白噪声更大，识别难度也更大，更为真实地模拟了开放环境中电磁信号场景。其中一种基于残差神经网络的自动特征学习识别算法，实验取得了24类信号在10dB时95.6%的识别准确率，但其模型参数约有24万，硬件要求高，模型训练时长达14小时。
[0005]现有技术2中一种新的基于累积极性特征的深度学习识别方法，通过设计基于神经网络的信道估计器，用以补偿实际信道中的失真信号，其实现了高信噪比范围超过4%的识别准确率提升，并有效降低了内存开销和计算复杂度，但其在低信噪比范围内识别效果欠佳。现有技术3中就无线信道各种损伤下的无线电信号调制分类提出一种新的卷积神经网络MCNet，通过在卷积块中并行排列不对称内核以及在卷积块之间跳跃连接，取得了对24类信号20dB时超过93%的识别准确率，相比现有技术1减少约40%模型参数，但由于在整个网络中进行了多次加法操作和深度级联操作，训练时间并未减少。现有技术4中还通过主成分分析（PCA）程序将特征数据投影到不相关变量子集中，结合卷积神经网络进行调制识别，实验讨论了采用主成分分析降维的性能损失，此算法分类结果优于现有技术1，但主成分分析过程需要大量特征计算。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术的目的在于提供一种残差神经网络模型，其优化了模型中残差单元以及卷积过程中的池化窗口大小，在取得模型识别高精度的同时，实现了对网络轻量化的优化。本专利技术的另一目的在于提供一种实施上述残差神经网络模型的信号调制识别方法。
[0007]为实现上述目的，本专利技术一种残差神经网络模型，包括6层残差栈及两次全连接，其中，每经一次线性整流函数激活的卷积操作后，输入数据与输出结果跳跃连接一次，形成一个残差单元；每个残差栈设计包含1次线性卷积层、3个残差单元和1次最大池化；采用输入维度为1024*2的I/Q信号数据，卷积层为含32个滤波器的1*1窗口卷积；第一层残差栈卷积核为(3,2)，最大池化为(2,2)；输出维度为512*1之后，第二层至第六层残差栈卷积核均为(3,1)，最大池化均为(2,1)；第一层全连接节点为128，第二层全连接节点为24。
[0008]进一步，所述残差神经网络模型训练采用RADIOML2018.01A数据集，该数据集包含24种调制方式的信号数据；将维度1024*2的采样信号数据输入训练好的残差神经网络模型，输出即为识别的调制类型。
[0009]进一步，所述残差单元中线性整流函数为ReLU函数。
[0010]进一步，所述ReLU函数的函数表达式为：（1）其中，为输入的任意实数，为取和两者的较大者。
[0011]进一步，所述残差栈使用扩展指数线性函数：SeLU函数，并设置AlphaDropout为0.3。
[0012]进一步，所述SeLU函数的函数表达式为：（2）其中，为输入的任意实数，，，e为自然常数。
[0013]进一步，所述模型的训练过程使用Adam优化器，交叉熵损失函数，其函数表达式为：（3）其中，是类别的真实标签，是某样本属于类别的概率，是类别数量，是样本总数。
[0014]进一步，所述残差神经网络模型采用RADIOML2018.01A数据集，包含OOK、4ASK、8ASK、BPSK、QPSK、8PSK、16PSK、32PSK、16APSK、32APSK、64APSK、128APSK、16QAM、32QAM、64QAM、128QAM、256QAM、AM
‑
SSB
‑
WC、AM
‑
SSB
‑
SC、AM
‑
DSB
‑
WC、AM
‑
DSB
‑
SC、FM、GMSK、OQPSK共24种调制方式。
[0015]进一步，每种调制方式包含
‑
20dB~30dB间隔2dB共26种信噪比，每种信噪比下包含4096条样本数据，每条样本数据包含I/Q两路信号，每路信号包含1024个采样点。
[0016]进一步，所述残差神经网络模型中采用的学习率Learning rate=0.001。
[0017]进一步，所述残差神经网络模型训练时在数据集中每种调制方式随机抽取2048条样本数据，每次送入网络训练的批大小为1024，训练轮次为40，使用早停操作。
[0018]一种信号调制识别方法，该方法中实施上述残差神经网络模型。
[0019]本专利技术中，设置了一种面向24类信号类型的残差神经网络模型，优化了该模型中残差单元以及卷积过程中的池化窗口大小，在取得模型识别高精度的同时，实现了对网络轻量化的优化。此模型在实现自动特征学习的同时，识别精度优于现有模型，训练时长大幅缩短，且有效降低了硬件算力需求。
附图说明
[0020]图1为残差单元结构示意图；图2为残差栈结构示意图；图3为残差网络整体结构示意图；图4为各类信号识别准确率示意图；图5为现有技术1中分类识别准确率示意图；图6为本模型中信噪比8dB识别归一化混淆矩阵图；图7为本模型中信噪比10dB识别归一化混淆矩阵图；图8为本模型中信噪比12dB识别归一化混淆矩阵图；图9为现有技术1中模型识别准确率与训练集数量关系；图10为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种残差神经网络模型，其特征在于，包括6层残差栈及两层全连接，其中，第一层全连接节点为128，第二层全连接节点为24；每个残差栈包含1次线性卷积层、3个残差单元和1次最大池化，残差单元中经一次线性整流函数激活的卷积操作后，输入数据与输出结果跳跃连接；残差栈输入为维度1024*2的数据，卷积层为含32个滤波器的1*1窗口卷积；第一层残差栈卷积核为(3,2)，最大池化为(2,2)；输出维度为512*1之后，第二层至第六层残差栈卷积核均为(3,1)，最大池化均为(2,1)。2.如权利要求1所述的残差神经网络模型，其特征在于，所述残差神经网络模型训练采用RADIOML2018.01A数据集，该数据集包含24种调制方式的信号数据；将维度1024*2的采样信号数据输入训练好的残差神经网络模型，输出即为识别的调制类型。3.如权利要求1所述的残差神经网络模型，其特征在于，所述残差单元中线性整流函数的表达式为：（1）其中，为输入的任意实数，为取和两者的较大者。4.如权利要求1所述的残差神经网络模型，其特征在于，所述残差栈使用扩展指数线性函数：SeLU函数，并设置AlphaDropout为0.3。5.如权利要求4所述的残差神经网络模型，其特征在于，所述SeLU函数的函数表达式为：（2）其中，为输入的任意实数，，，e为自然常数。6.如权利要求5所述的残差神经网络模型，其特征在于，所述残差神经网络模型的训练过程使用Adam优化器，交叉熵损失函数，其函数表达式为：（3）其中，是类别的真实标签，是某样本属于类别的概率，是类别数量，是样本总数。7.如权利要求1所述的残差神经网络模型，其特征在于，...

【专利技术属性】
技术研发人员：谢智东，谭信，白佳俊，李创，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：