基于重参数因果卷积网络的通信信号调制识别方法与系统技术方案

本发明专利技术公开了一种基于重参数因果卷积网络的通信信号调制识别方法与系统。所述方法包括：输入包括多种调制类型的调制信号样本即训练集；利用二维重参数因果卷积网络提取I/Q通道特征，采用全局平均池化层对二维重参数因果卷积提取的特征消除空间维度，再通过两个1x1卷积来获得细化的特征F<subgt;se</subgt;，接着利用一维重参数因果卷积网络针对F<subgt;se</subgt;进一步提取特征，在设定的信噪比和批处理大小下，根据损失函数进行模型训练，且训练过程中每个分支随机丢弃一部分输入单元；将待识别信号类型的调制信号输入训练好的模型，去除丢弃层，卷积后经过全连接层实现分类。本方法识别精度高，且模型泛化能力强，实现不同信道条件下自动调制分类的稳定有效性。

【技术实现步骤摘要】

本专利技术涉及信号处理领域，具体涉及一种通信信号的调制识别方法与系统。

技术介绍

1、自动调制分类（automatic modulation classification，amc）是现代无线通信中的一项关键技术，它在没有先验知识的情况下识别接收的调制信号，实现频谱监测和动态频谱接入等功能。然而，高维无线数据的爆炸性增长，使得利用传统算法进行精确地自动调制分类变得非常具有挑战性。深度学习（deep learning，dl）利用神经网络能够从原始无线数据中自动学习判别特征的能力，避免了对手动识别特征的依赖，提供了一种很有前途的解决方案。

2、dl方法从i/q样本中提取有区别的空间和时间特征的能力非凡。然而，基于循环神经网络（recurrent neural network，rnn）的方法对于边缘设备上的实时amc来说是具有挑战性的，因为它们固有的递归性质阻碍了并行推理。而尽管基于卷积神经网络（convolutional neural network，cnn）的方法提供了高并行性和部署便利性，但它们很难与基于rnn的技术的分类性能相匹配。近年来，因果本文档来自技高网...

【技术保护点】

1.一种基于重参数因果卷积网络的通信信号调制识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于重参数因果卷积网络的通信信号调制识别方法，其特征在于，二维重参数因果卷积网络和一维重参数因果卷积网络中的因果卷积表示如下：

3.根据权利要求1所述的基于重参数因果卷积网络的通信信号调制识别方法，其特征在于，细化的特征Fse通过以下计算得到：

4.根据权利要求1所述的基于重参数因果卷积网络的通信信号调制识别方法，其特征在于，步骤S2中，训练过程中输出的特征表示为：

5.根据权利要求1所述的基于重参数因果卷积网络的通信信号调制识别方法，...

【技术特征摘要】

1.一种基于重参数因果卷积网络的通信信号调制识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于重参数因果卷积网络的通信信号调制识别方法，其特征在于，二维重参数因果卷积网络和一维重参数因果卷积网络中的因果卷积表示如下：

3.根据权利要求1所述的基于重参数因果卷积网络的通信信号调制识别方法，其特征在于，细化的特征fse通过以下计算得到：

4.根据权利要求1所述的基于重参数因果卷积网络的通信信号调制识别方法，其特征在于，步骤s2中，训练...

【专利技术属性】
技术研发人员：唐胜雨，周飞，吕曜辉，王晓宇，汤宁，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：