基于信号周期性特征的CNN-LSTM网络信号调制识别方法技术

本发明专利技术提供基于信号周期性特征的CNN‑LSTM网络信号调制识别方法，涉及无线通信信号调制技术领域。该方法包括：采集若干种不同调制方式的调制信号作为样本信号，对样本信号进行预处理得到样本数据集，将样本数据集划分为训练集、验证集和测试集；搭建CNN‑LSTM网络，并利用训练集对CNN‑LSTM进行网络训练，得到训练好的CNN‑LSTM网络；并利用验证集进行验证，得到最终的CNN‑LSTM网络；将测试集输入到得到的CNN‑LSTM网络，完成对测试集中不同调制信号的识别。通过CNN的特征提取能力，对不同种类调制信号的周期内和相邻周期间的相关性特征进行提取，同时利用LSTM的特性针对信号非相邻周期的相关特征进行提取，从而自动识别出信号的调制方式，有效提高了信号调制方式识别的准确度。

【技术实现步骤摘要】

本专利技术涉及无线通信信号调制，尤其涉及一种基于信号周期性特征的cnn-lstm网络信号调制识别方法。

技术介绍

1、通信信号的自动调制识别(automatic modulation recognition，amr)技术作为无线通信领域中的一项关键技术，在多个领域中有着广泛的应用，因此，对于提高信号调制方式识别能力的研究具有重要意义和应用价值。随着各国在通信领域科研水平的提升，多种新体制的无线信号以及庞大的信号源导致无线信道的电磁环境变的愈加复杂，这给非合作模式下无线信号的调制方式识别带来了巨大的挑战。目前，经典的信号调制方式自动识别方法主要有基于最大似然估计和基于特征分类的信号调制方式识别方法，上述两种方法在复杂多变的噪声环境下会出现性能急剧下降的情况，无法满足实际应用的需求。

技术实现思路

1、针对上述现有技术的不足，本专利技术将多种调制方式的调制信号作为识别目标，立足cnn-lstm(convolutional neutral network-long short-term memory，卷积神经网络-本文档来自技高网...

【技术保护点】

1.基于信号周期性特征的CNN-LSTM网络信号调制识别方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1中所述的基于信号周期性特征的CNN-LSTM网络信号调制识别方法，其特征在于，所述步骤1中包括：

3.根据权利要求2中所述的基于信号周期性特征的CNN-LSTM网络信号调制识别方法，其特征在于，所述CNN-LSTM网络的结构还包括：所述4个卷积单元均使用Relu激活函数；所述长短时记忆层使用Softmax激活函数；将所述4个卷积单元分别记为卷积单元1，卷积单元2，卷积单元3和卷积单元4；其中卷积单元1中依次连接卷积层1、批量归一化层1；卷积单元2中依次...

【技术特征摘要】

1.基于信号周期性特征的cnn-lstm网络信号调制识别方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1中所述的基于信号周期性特征的cnn-lstm网络信号调制识别方法，其特征在于，所述步骤1中包括：

3.根据权利要求2中所述的基于信号周期性特征的cnn-lstm网络信号调制识别方法，其特征在于，所述cnn-lstm网络的结构还包括：所述4个卷积单元均使用relu激活函数；所述长短时记忆层使用softmax激活函数；将所述4个卷积单元分别记为卷积单元1，卷积单元2，卷积单元3和卷积单元4；其中卷积单元1中依次连接卷积层1、批量归一化层1；卷积单元2...

【专利技术属性】
技术研发人员：周帆，李婧慧，冯永新，王洋，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：