基于类别增量学习的数字信号盲解调系统技术方案

本发明专利技术提供一种基于类别增量学习的数字信号盲解调系统，包括调制方式识别单元和解调单元；所述调制方式识别单元使用半监督学习/无监督学习进行新旧类识别，然后进行类别增量学习；所述解调单元以调制方式为先验知识，将数据分配至对应的解调网络中，得到最终预测的码元数据。本发明专利技术的系统对各类数字通信信号均可适用，算法基于数据驱动，泛化能力强，预测性能不受调制方式、采样率等参数的影响，对于基于调相、调频、调幅的调制方式都有着较好的预测性能，网络计算复杂度低，适用于海量数据的盲解调。盲解调。盲解调。

【技术实现步骤摘要】
基于类别增量学习的数字信号盲解调系统


[0001]本专利技术属于信号处理
，尤其是涉及一种基于类别增量学习的数字信号盲解调系统。

技术介绍

[0002]盲解调问题是信号侦察领域的基本问题，它分为调制方式识别和解调两部分。首先，关于调制方式识别，包括三类算法：1)基于似然比算法；2)基于特征提取算法；3)深度学习算法。
[0003]似然比算法规则是通过判定采样序列的似然值得到预测值，该算法缺点是计算复杂度高；需要知道信号模型中随机变量概率分布，但实际中通常无法确知。
[0004]特征提取算法是根据信号的特征参量得到预测值，特征参量包括：信号瞬时参数统计特征、高阶统计量特征、循环平稳特征等。该算法缺点为识别性能受限于分类规则；当信号本身变得复杂时，信号特征的设计难度大。
[0005]深度学习算法近年来成为一个热门的研究课题，有许多实际应用。这是一项可以从经验和数据中提高计算机系统性能的技术。深度学习算法按照网络结构不同可划分为：全连接神经网络(也称为BP神经网络)、卷积神经网络、循环神经网络、生成对抗网络等；深度学习算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于类别增量学习的数字信号盲解调系统，其特征在于：包括调制方式识别单元和解调单元；所述调制方式识别单元使用半监督学习/无监督学习进行新旧类识别，然后进行类别增量学习；所述解调单元以调制方式为先验知识，将数据分配至对应的解调网络中，得到最终预测的码元数据。2.根据权利要求1所述的基于类别增量学习的数字信号盲解调系统，其特征在于：所述调制方式识别单元包括数据预处理单元和网络建模单元。3.根据权利要求2所述的基于类别增量学习的数字信号盲解调系统，其特征在于：所述数据预处理单元用于使用K折交叉验证将数据划分训练集和验证集，并进行z
‑
score标准化，通过循环对比算法做去重操作，将标签进行one
‑
hot编码。4.根据权利要求2所述的基于类别增量学习的数字信号盲解调系统，其特征在于：所述网络建模单元首先使用半监督学习/无监督学习进行新旧类识别后，然后使用类别增量学习，依次进行表征学习和分类器学习，表征学习通过修正之前的特征表示...

【专利技术属性】
技术研发人员：李辰雨，张建军，董悦，颜凯，范玉进，
申请(专利权)人：天津光电通信技术有限公司，
类型：发明
国别省市：