一种基于脉冲神经网络的低功耗自动调制识别方法技术

一种基于脉冲神经网络的低功耗自动调制识别方法，属于软件无线电领域。本方法采用基于分位数阈值的归一化脉冲编码，将浮点型信号归一化并编码为脉冲序列信号，增强神经网络泛化性，降低脉冲神经网络计算复杂度与能耗；采用动态时序训练测试方案，通过长时序训练方法提升脉冲神经网络神经元的记忆能力与收敛速度，通过短时序测试方法降低实际应用时网络推理时延与能耗；采用面向残差连接的脉冲神经网络技术，缓解深层脉冲神经网络的退化问题，增强可移植性，便于实现传统神经网络与脉冲神经网络的快速转换。本发明专利技术适用于软件无线电领域，实现低功耗、高精度的实时自动调制识别。

【技术实现步骤摘要】

本专利技术涉及一种基于脉冲神经网络的低功耗自动调制识别方法，属于软件无线电领域。

技术介绍

1、自动调制识别算法涉及自动辨识接收信号的调制类型，其应用广泛，包括但不限于频谱管理、干扰识别以及电子战领域。在军事应用方面电磁频谱环境复杂，信号频率范围宽，调制方式多样，通信过程必须保证己方信号安全收发，同时对敌方信号进行定位、识别与干扰，在这种情况下，以自动调制识别算法为核心的智能信号处理技术是电子战等战术行动的核心；在民用场景，未知工作模式信号的调制方式识别也是通信系统中的重要问题，尤其是在软件无线电和认知无线电系统中。

2、近年来，随着深度学习算法的兴起，基于深度学习的自动调制识别算法逐渐占据主导地位。调制识别可以视为一个分类问题，因此可利用深度学习方法训练出分类器来解决此问题。深度学习方法的核心在于自动特征学习。其学习过程基于大量数据，通过反向传播算法逐步调整网络参数，增强网络对特征的表征能力。深度学习方法能够自动从原始输入中提取具有显著差异及有助于分类识别的特征，不再需要人工进行特征选择或对信号进行复杂的预处理。相较于传统方法，深度学习方法具本文档来自技高网...

【技术保护点】

1.一种基于脉冲神经网络的低功耗自动调制识别方法，其特征在于：包括如下步骤，

2.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法，其特征在于：还包括步骤五、根据步骤四得到的用于自动调制模式识别的脉冲神经网络，应用于信号处理场景中，能识别出未知射频信号的调制模式，实现低功耗、高能效且低延时的自动调制识别任务，为未知射频信号的后续处理过程提供信号工作模式信息。

3.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法，其特征在于：步骤一的实现方法为，

4.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法，其特征在于：...

【技术特征摘要】

1.一种基于脉冲神经网络的低功耗自动调制识别方法，其特征在于：包括如下步骤，

2.如权利要求1所述的一种基于脉冲神经网络的低功耗自动调制识别方法，其特征在于：还包括步骤五、根据步骤四得到的用于自动调制模式识别的脉冲神经网络，应用于信号处理场景中，能识别出未知射频信号的调制模式，实现低功耗、高能效且低延时的自动调制识别任务，为未知射频信号的后续处理过程提供信号工作模式信息。

3.如权利要求1所述的...

【专利技术属性】
技术研发人员：王泽昊，马瑛，李润洲，丁海川，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：