通信调制识别模型训练方法及装置制造方法及图纸

本发明专利技术公开了一种通信调制识别模型训练方法及装置，通过提取实际采集通信信号的敏感特征集；将敏感特征集输入到深度神经网络模型中，得到初分类结果；将信号输入至朴素贝叶斯分类器，朴素贝叶斯分类器利用通信信号进行初始构建；设置奖励阈值

【技术实现步骤摘要】
通信调制识别模型训练方法及装置


[0001]本专利技术实施例涉及信号处理
，尤其涉及一种通信调制识别模型训练方法及装置
。

技术介绍

[0002]随着无线通信和雷达技术的不断发展，信号识别技术的应用越来越广泛
。
对通信信号的识别过程可以划分为三步：首先，对信号进行预处理；其次，对某些关键的特征进行选择和提取；最后，通过构建分类器进行分类和识别
。
目前，对通信信号的认知和识别主要采用基于最大似然比的判别识别方法，基于最大似然比的判别识别方法是把对信号的识别问题转化为假设检验问题，通过定义信号的似然函数并对其进行处理，得到可用于分类的特征量，然后输入到分类器中进行比较，从而得到识别的结果
。
[0003]在实现本专利技术的过程中，专利技术人发现如下技术问题：目前，普遍采用基于
AI
的通信调制识别，已经有许多学者将
ResNet50、CNN、CLDNN
等深度神经网络用于通信信号识别
。
但在实际工程应用中，由于电磁信道环境复杂多变，通信信号在传输的过程中会经历不同程度的瑞利衰落
、
莱斯衰落
、
多普勒频移及自然噪声影响等等，并且随着传输距离的增加，接收的信号幅度将会很弱，大大降低了深度学习网络模型对于通信信号识别的准确性
。

技术实现思路

[0004]本专利技术实施例提供一种通信调制识别模型训练方法及装置，通过建立一种新的模型，并通过训练，以解决现有技术中深度学习网络模型对于通信信号识别的准确性较差的技术问题
。
[0005]第一方面，本专利技术实施例提供了一种通信调制识别模型训练方法，包括：
[0006]提取实际采集通信信号的敏感特征集；
[0007]将所述敏感特征集输入到深度神经网络模型中，得到初分类结果；
[0008]将所述初分类结果输入至朴素贝叶斯分类器，所述朴素贝叶斯分类器利用通信信号进行初始构建；
[0009]设置奖励阈值
thr
，并基于奖励阈值
thr
构造奖励函数
Q(k)
，
[0010]Ata
value
为惩罚值，
T
value
为奖励值；
[0011]基于奖励值和惩罚值对所述朴素贝叶斯分类器进行优化，得到带权重值的朴素贝叶斯分类器；
[0012]采用强化学习算法， 更新朴素贝叶斯分类器的权重
。
[0013]进一步的，所述朴素贝叶斯分类器，包括：
[0014]根据采集到的通信信号类别的数量，构建相同数量的朴素贝叶斯分类器：
[0015][0016][0017][0018]…
[0019][0020]其中
fea1, fea2, fea3,
ꢀ…
, fea
α
分别为采集通信信号的电磁信道环境，共计
α
种，
P{
·
}
代表
·
出现的统计概率
。
[0021]进一步的，所述带权重值的朴素贝叶斯分类器包括：
[0022]Class_
β1＝
β
11
*T
value
+
β
12
*Ata
value
，
[0023]Class_
β2＝
β
21
*T
value
+
β
22
*Ata
value
，
[0024]Class_
β2＝
β
21
*T
value
+
β
22
*Ata
value
，
[0025]…
[0027]Class_
β
k
＝
β
k1
*T
value
+
β
k2
*Ata
value
[0028]Class_
β
＝
{Class_
β1,Class_
β2,Class_
β3,
…
,Class_
β
k
,}。
[0029]进一步的，所述提取实际采集通信信号的敏感特征集包括：
[0030]提取实际采集通信信号的时域
IQ
特征；
[0031]提取实际采集通信信号的频域功率谱特征；
[0032]提取实际采集通信信号的频域相位差特征；
[0033]基于时域
IQ
特征
、
频域功率谱特征和频域相位差特征构建敏感特征融合集
。
[0034]进一步的，在所述提取实际采集通信信号的时域
IQ
特征之前，所述方法还包括：
[0035]根据实际采集通信信号在实际工程环境传输的信道环境，对采集通信信号进行预处理
。
[0036]更进一步的，所述采用强化学习算法，更新朴素贝叶斯分类器的权重
。
，包括：
[0037]对权重值进行统计；
[0038]初始化
Q
‑
Table
，所述
Q
‑
Table
的行对应奖励值权重系数，列对应惩罚值权重系数，表中的数值对应相应的奖励函数；
[0039]采用贪婪策略循环更新表中的每一个奖励函数值，直至所述
Q
‑
Table
中主对角线的奖励函数值满足设定的期望值，其中，贪婪策略根据朴素贝叶斯多轮识别结果制定，奖励函数值的更新步长为1，权重系数的更新步长为
0.001
～
0.01。
[0040]第二方面，本专利技术实施例还提供了一种通信调制识别模型训练装置，包括：
[0041]提取模块，用于提取实际采集通信信号的敏感特征集；
[0042]深度神经网络模型输入模块，用于将所述敏感特征集输入到深度神经网络模型中，得到初分类结果；
[0043]朴素贝叶斯分类器输入模块，用于将所述初分类结果输入至朴素贝叶斯分类器，所述朴素贝叶斯分类器利用通信信号进行初始构建；
[0044]构造模块，用于设置奖励阈值
thr
，并基于奖励阈值
thr
构造奖励函数
Q(k)
，
[0045]Ata
value
为惩罚值，
T
value
为奖励值；
[0046]优化模块，用于基于奖励值和惩罚值对所述朴素贝叶斯分类器进行优化，得到带权重值的朴素贝叶斯分类器；
[0047]修正模块，用于采用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种通信调制识别模型训练方法，其特征在于，包括：提取实际采集通信信号的敏感特征集；将所述敏感特征集输入到深度神经网络模型中，得到初分类结果；将所述初分类结果输入至朴素贝叶斯分类器，所述朴素贝叶斯分类器利用通信信号进行初始构建；设置奖励阈值
thr
，并基于奖励阈值
thr
构造奖励函数
Q(k)
，
Ata
value
为惩罚值，
T
value
为奖励值；基于奖励值和惩罚值对所述朴素贝叶斯分类器进行优化，得到带权重值的朴素贝叶斯分类器；采用强化学习算法，更新朴素贝叶斯分类器的权重
。2.
根据权利要求1所述的方法，其特征在于，所述朴素贝叶斯分类器，包括：根据采集到的通信信号类别的数量，构建相同数量的朴素贝叶斯分类器：根据采集到的通信信号类别的数量，构建相同数量的朴素贝叶斯分类器：根据采集到的通信信号类别的数量，构建相同数量的朴素贝叶斯分类器：
…
其中
fea1,fea2,fea3,
…
,fea
α
分别为采集通信信号的电磁信道环境，共计
α
种，
P{
·
}
代表
·
出现的统计概率
。3.
根据权利要求1所述的方法，其特征在于，所述带权重值的朴素贝叶斯分类器包括：
Class_
β1＝
β
11
*T
value
+
β
12
*Ata
value
，
Class_
β2＝
β
21
*T
value
+
β
22
*Ata
value
，
Class_
β2＝
β
21
*T
value
+
β
22
*Ata
value
，
…
Class_
β
k
＝
β
k1
*T
value
+
β
k2
*Ata
value
Class_
β
＝
{Class_
β1,Class_
β2,Class_
β3,
…
,Class_
β
k
,}。4.
根据权利要求1所述的方法，其特征在于，所述提取实际采集通信信号的敏感特征集包括：提取实际采集通信信号的时域
IQ
特征；提取实际采集通信信号的频域功率谱特征；提取实际采集通信信号的频域相位差特征；基于时域
IQ
特征
、
频域功率谱特征和频域相位差特征构建敏感特征融合集
。5.
根据权利要求4所述的方法，其特征在于，在所述提取实际采集通信信号的时域
IQ
特征之前，所述方法还包括：
根据实际采集通信信号在实际工程环境传输的信道环境，对采集通信信号进行预处理
。6.
根据权利要求3所述的方法，其特征在于，所述采用强化学习算法，更新朴素贝叶斯分类器的权重，包括：对权重值进行统计；初始化
Q
‑
Table
，所述
Q
‑
Table
的行对应奖励值权重系数，列对应惩罚值权重系数，...

【专利技术属性】
技术研发人员：纪腾飞，董悦，赵保磊，颜凯，杨琳，张建军，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：