CN108282427A - 基于多尺度轻量网络的无线电信号认知识别方法 - Google Patents

Abstract

本发明公开一种基于多尺度轻量网络的无线电信号认知识别方法，其实现步骤为：(1)生成29种编码调制联合信号和2种调制信号；(2)生成训练样本集和测试样本集；(3)构建多尺度轻量网络模型；(4)设置多尺度轻量网络模型的参数；(5)训练多尺度轻量网络模型；(6)将测试样本集输入到训练好的多尺度轻量网络模型中进行测试，获得识别准确率。本发明具有模型轻量化、普适性强、训练参数少、识别的无线电信号类型多，分类精度高的优点，可用于信号分类识别技术领域中。

Description

基于多尺度轻量网络的无线电信号认知识别方法

技术领域

本发明属于通信技术领域，更进一步涉及信号处理技术中的一种基于多尺度轻量网络的无线电信号认知识别方法。本方法基于大脑的多尺度与层次化信息处理机制，构建面向无线电信号的轻量级多尺度深度神经网络模型，以自动提取出复杂电磁环境下的信号特征，实现无线电信号信道编码方式和调制方式的联合识别。

背景技术

无线电信号识别是通信技术领域的重要问题，也是现代信息化战争中争夺制电磁权的关键。目前无线电信号识别中常采用的特征提取方法是基于专家先验知识的人工特征提取方法，即以单一信号类型作为分析研究对象，借助先验知识采用基于时频域的细微特征提取方法。基于传统分类方法的无线电信号信道编码类型的识别也能在给定测试信号上达到比较满意的识别率，但在编码调制联合识别领域有待进一步发展和提高。然而，现代战场敌我双方的电子对抗，各种武器装备所释放的高密度、高强度、多频谱的电磁波，产生了各种类型的通信、雷达与导航等无线电信号，电磁环境的复杂度提高，传统方法的缺点也愈发突出。传统方法只能够对于部分常规的无线电信号进行处理，且需要大量的先验信息，算法复杂度高、实时性差、鲁棒性差。

西安电子科技大学在其申请的专利文献“基于一维卷积神经网络的雷达辐射源信号的识别方法”(申请号201611140173.9申请公布号CN 106680775 A)中公开了一种基于一维卷积神经网络的雷达辐射源信号的识别方法。该方法的具体步骤如下：(1)生成雷达辐射源信号数据集；(2)数据预处理；(3)构建卷积神经网络；(4)设置参数并训练卷积神经网络；(5)预测分类；(6)计算精度；(7)输出结果。该方法虽然提出了一种信号识别方法，但是，该方法仍然存在的不足之处是：所使用的一维卷积神经网络模型只用了一层卷积层，信号特征提取不完全,信号识别效果不佳。

成都蓝色起源科技有限公司在其申请的专利文献“基于深度学习模型的无线电信号识别方法及其实现系统”(申请号201710284093.9申请公布号CN 107122738A)中公开了一种基于深度学习模型的无线电信号识别方法。该无线电信号识别方法是通过机器学习的方式来实现对信号特征的提取和实时检测，即是利用深度学习模型来对经STFT转换得到的信号时频图进行训练和分类识别，将信号检测问题转换为图像分类识别问题，并利用深度学习方法来信号的分类检测。该方法虽然提出了一种基于深度学习模型的无线电信号识别方法，但是，该方法仍然存在的不足之处是：在无线电信号特征提取前，需要将数据转换为二维时频样本图，操作繁琐，降低了无线电信号识别的效率。同时参数规模大、计算复杂度高。

发明内容

本发明针对上述现有技术的不足，提出一种基于多尺度轻量网络的无线电信号认知识别方法，用于快速解决复杂通信环境下无线电信号编码调制联合识别问题。

实现本发明目的的具体思路是，利用多尺度轻量网络对编码调制后的无线电信号进行识别。该算法利用多尺度神经网络，对原始信号在不同尺度上有效提取具有不变性的优秀隐性特征，可以识别多种类型调制方式的无线电信号，对不同信道编码方式的信号同样有很好的识别率。

实现本发明目的的具体步骤包括如下：

(1)生成29种编码调制联合信号和2种调制信号：

(1a)将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码，生成不同的编码信号；

(1b)将不同的编码信号按照频段的不同进行调制，生成29种类型的编码调制联合信号；其中短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本；

(1c)对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式进行单独调制，生成2种调制信号，每种15000个信号样本；

(2)生成训练样本集和测试样本集：

(2a)对29种类型的编码调制联合信号和2种调制信号，每一个信号样本的所有信息点，以100个信息点为间隔进行采样，将每次连续采集440个信息点组成一个信号样本，将所有的信号样本组成信号样本集；

(2b)从生成的信号样本集中随机抽取80％的样本，组成训练样本集，从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集，将整个信号样本集最后余下的10％作为测试样本集；

(3)构建多尺度轻量网络模型：

(3a)搭建一个用于自动提取编码调制联合信号特征的22层多尺度轻量网络模型；

(3b)设定多尺度轻量网络模型中的参数；

(3c)将多尺度轻量网络模型的损失函数设置为对数损失函数，将多尺度轻量网络模型的优化算法选择为基于自适应矩阵估计的优化算法adam，将多尺度轻量网络模型的激活函数设置为修正线性单元激活函数；

(3d)设置训练多尺度轻量网络模型时的训练次数，早期停止机制；

(4)训练多尺度轻量网络模型：

(4a)打乱训练样本集和验证样本集中所有样本的排列顺序，将训练样本集和验证样本集输入到多尺度轻量网络模型中；

(4b)训练多尺度轻量网络模型直至达到多尺度轻量网络设置的训练次数或满足早期停止机制的条件时，完成神经网络的训练过程，得到训练好的多尺度轻量网络模型；

(5)获得识别准确率：

(5a)将测试样本集输入到训练好的多尺度轻量网络模型中，得到识别结果；

(5b)将识别结果与测试集的真实类别对比，统计识别正确率。

本发明与现有技术相比具有以下优点：

第一，由于本发明使用了多尺度卷积操作的多尺度轻量网络模型来提取信号的特征信息，克服了现有技术在进行信号分析时特征提取不完全，信号识别效果不佳的缺点，使得本发明提取到的信号有效特征信息更加丰富，提高了多尺度轻量网络模型对于无线电信号编码调制联合信号识别的精度。

第二，由于本发明在网络模型的多尺度支路中使用了一维卷积操作直接对一维信号进行特征提取，克服了现有技术中需要对信号进行图域转换才可以进行识别，操作繁琐，信号识别效率低的问题，使得本发明简化了信号特征提取的步骤，提高了无线电信号识别的效率。

第三，由于本发明搭建的多尺度轻量网络模型训练参数少，计算复杂度低，克服了现有技术参数规模大、计算复杂度高的问题，使得本发明可以从多种无线电信号中进行鲁棒与快速的特征学习，能够实现更加精准、灵活和高效的无线电信号识别。

附图说明

图1为本发明的流程图；

图2是本发明仿真实验所用的29种编码调制联合信号和2种调制信号的波形示意图；

图3是本发明仿真实验的结果图。

具体实施方式

下面结合附图对发明做进一步描述。

参照附图1，对本发明的具体步骤做进一步的描述。

步骤1，生成29种编码调制联合信号和2种调制信号。

第一步，将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码，生成不同的编码信号。

所述的将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码是指，对于短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码的三种信道编码方式，生成三种编码信号；对于超短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码、码率为四分之三的432非系统卷积码的四种信道编码方式，生成四种编码信号。

第二步，将不同的编码信号按照频段的不同进行调制，生成29种类型的编码调制联合信号。其中短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本。

所述的将不同的编码信号按照频段的不同进行调制是指，对于短波频段的三种编码信号分别采用正交相移键控调制QPSK、8移相键控调制8PSK、二进制频移键控调制2FSK的调制方式，生成9种编码调制联合信号；对于超短波频段的四种编码信号分别采用二进制频移键控和频率调制的二次调制、正交相移键控和频率调制的二次调制、二进制相移键控调制BPSK、正交相移键控调制QPSK、二进制频移键控调制2FSK的5种调制方式，生成20种编码调制联合信号。

所述的短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本是由下述方式得到的：

A.短波频段的9种编码调制联合信号，每种信号的帧长取10ms-150ms内的随机数，调制速率取50Bd-2.4kBd内的随机数；再将9种编码调制联合信号中的每种信号，依据帧长和调制速率的不同分为25小类，每类1000个信号，得到25000个信号样本；

B.超短波频段的20种编码调制联合信号，其中，每种信号的帧长取10ms-800ms内的随机数，调制速率取1kBd-20kBd内的随机数；再将20种编码调制联合信号中的每种信号，依据帧长和调制速率的不同分为15小类，每类1000个信号，得到15000个信号样本。

第三步，对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式，生成2种调制信号，每种15000个信号样本。

所述的2种调制信号，每种15000个信号样本是由下述方式得到的：超短波频段的2种调制信号每种信号的帧长取10ms-800ms内的随机数，调制速率取1kBd-20kBd内的随机数；再将2种调制信号中的每种信号，依据帧长和调制速率的不同分为15小类，每类1000个信号，得到15000个信号样本。

步骤2，生成训练样本集和测试样本集。

第一步，对29种类型的编码调制联合信号和2种调制信号，中每一个信号样本的所有信息点，以100个信息点为间隔进行采样，将每次连续采集440个信息点组成一个信号样本，将所有的信号样本组成信号样本集。

第二步，从生成的信号样本集中随机抽取80％的样本，组成训练样本集，从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集，将整个信号样本集最后余下的10％作为测试样本集。

步骤3，构建多尺度轻量网络模型。

第一步，搭建一个用于自动提取编码调制联合信号特征的22层多尺度轻量网络模型。

所述的22层多尺度轻量网络模型结构如下：输入层→第一个多尺度卷积层→第一个拼接操作层→池化层→第二个多尺度卷积层→第二个拼接操作层→池化层→第三个多尺度卷积层→第三个拼接操作层→池化层→第四个多尺度卷积层→第四个拼接操作层→池化层→第五个多尺度卷积层→第五个拼接操作层→池化层→第一个全连接层→第一个批规范化层→第二个全连接层→第二个批规范化层→分类器层→输出层。

每个多尺度卷积层均设置三个并行的支路，每个支路仅设置有一个一维卷积层。

其中，多尺度轻量网络模型中除多尺度卷积层之外的其他结构层参数设置如下：

输入层设置为440个神经单元。

池化层设置为最大池化。

第一个全连接层设置为64个全连接神经元。

第二个全连接层设置为31个全连接神经元。

分类器层设置为多分类函数Softmax。

拼接操作层均设置为一个矩阵拼接函数，对多尺度卷积层中的三个支路的输出结果进行拼接。

输出层设置为31个输出神经单元。

第二步，设定多尺度轻量网络模型中的参数。

所述的多尺度轻量网络中多尺度卷积层的参数设置如下，将每个多尺度卷积层中的第一个支路上的一维卷积层设置为32个卷积核，每个卷积核为1×17的窗口；将多尺度卷积层中的第二个支路上的一维卷积层设置32个卷积核，每个卷积核为1×19的窗口；将多尺度卷积层中的第三个支路上的一维卷积层设置为32个卷积核，每个卷积核为1×21的窗口。

第三步，将多尺度轻量网络模型的损失函数设置为对数损失函数，将多尺度轻量网络模型的优化算法选择为基于自适应矩阵估计的优化算法adam，将多尺度轻量网络模型的激活函数设置为修正线性单元激活函数。

第四步，设置训练多尺度轻量网络模型时的训练次数，早期停止机制。

所述的设置训练多尺度轻量网络模型时的训练次数是指，在利用训练样本集训练多尺度轻量网络模型时，每批次训练512个训练样本，整个训练样本集的训练次数为20次。

所述的早期停止机制是指，在利用训练样本集训练多尺度轻量网络模型时，监测测试样本的损失函数值的变化，当损失函数值不再降低时再经过5次训练之后中止训练。

步骤4，训练多尺度轻量网络模型。

第一步，打乱训练样本集和验证样本集中所有样本的排列顺序，将训练样本集和验证样本集输入到多尺度轻量网络模型中。

第二步，训练多尺度轻量网络模型直至达到多尺度轻量网络设置的训练次数或满足早期停止机制的条件时，完成神经网络的训练过程，得到训练好的多尺度轻量网络模型。

步骤5，获得识别准确率。

第一步，将测试样本集输入到训练好的多尺度轻量网络模型中，得到识别结果。

第二步，将识别结果与测试集的真实类别对比，统计识别正确率。

下面结合仿真实验对本发明的效果做进一步的描述。

1.仿真条件：

本发明的仿真实验是在Intel(R)I5-6600K CPU 3.5GHz，GTX1070，Ubuntu16.04LTS系统下，TensorFlow1.0.1运行平台上，完成本发明以及无线电信号产生和多尺度轻量网络的仿真实验。

2.仿真实验内容：

本发明的仿真实验所用的无线电信号只需要在短波频段和超短波频段即可。所用的无线电信号按照本发明步骤1，经过信道编码和调制之后生成的29种编码调制联合信号和2种调制信号的波形示意图如图2所示，图2(1)至图2(9)为短波波段的信号波形示意图，图2(10)至图2(31)为超短波波段的信号波形示意图。其中，图2(1)为汉明码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(2)为码率为二分之一的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(3)为码率为三分之二的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(4)为汉明码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(5)为码率为二分之一的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(6)为码率为三分之二的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(7)为汉明码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(8)为码率为二分之一的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(9)为码率为三分之二的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(10)为汉明码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(11)为码率为二分之一的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(12)为码率为三分之二的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(13)为码率为四分之三的216非系统卷积码信道编码方式联合正交相移键控调制的联合信号波形示意图。图2(14)为汉明码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(15)为码率为二分之一的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(16)为码率为三分之二的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(17)为码率为四分之三的216非系统卷积码信道编码方式联合二进制频移键控调制的联合信号波形示意图。图2(18)为汉明码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(19)为码率为二分之一的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(20)为码率为三分之二的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(21)为码率为四分之三的216非系统卷积码信道编码方式联合8移相键控调制的联合信号波形示意图。图2(22)为汉明码信道编码方式联合二进制频移键控/频率调制的联合信号波形示意图。图2(23)为码率为二分之一的216非系统卷积码信道编码方式联合二进制频移键控和频率调制的二次调制的联合信号波形示意图。图2(24)为码率为三分之二的216非系统卷积码信道编码方式联合二进制频移键控和频率调制的二次调制的联合信号波形示意图。图2(25)为码率为四分之三的216非系统卷积码信道编码方式联合二进制频移键控和频率调制的二次调制的联合信号波形示意图。图2(26)为汉明码信道编码方式联合正交相移键控和频率调制的二次调制的联合信号波形示意图。图2(27)为码率为二分之一的216非系统卷积码信道编码方式联合正交相移键控和频率调制的二次调制的联合信号波形示意图。图2(28)为码率为三分之二的216非系统卷积码信道编码方式联合正交相移键控和频率调制的二次调制的联合信号波形示意图。图2(29)为码率为四分之三的216非系统卷积码信道编码方式联合正交相移键控和频率调制的二次调制的联合信号波形示意图。图2(30)为振幅调制的信号波形示意图。图2(31)为频率调制的信号波形示意图。

3.仿真实验结果分析：

本发明的仿真实验结果如图3所示。图3中的横轴代表训练训练次数，纵轴对应每次训练的损失函数值。在对多尺度轻量网络模型训练的过程中，统计每次训练结果的损失函数值，损失函数值越小代表模型的训练效果越好。由图3可见，随着训练次数的增加损失函数值递减并最终收敛至稳定，说明本仿真实验的训练效果随着训练次数的增多而提高。

将测试样本输入训练好的多尺度轻量网络模型，得到29种编码调制联合信号和2种调制信号中每个信号的类型识别结果，再将每个信号的类型识别结果与测试样本集的真实类别进行对比，统计识别结果正确的测试样本的个数，求出识别结果正确的测试样本所占测试样本的百分比，得到本仿真实验的识别准确率为90％。

由以上的仿真实验可以说明，针对无线电信号的认知识别，本发明可以完成不同类别的编码调制联合信号的识别任务，方法有效可行。

Claims (9)

1.一种基于多尺度轻量网络的无线电信号认知识别方法，其特征在于：包括如下步骤：

(1)生成29种编码调制联合信号和2种调制信号：

(1a)将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码，生成不同的编码信号；

(1b)将不同的编码信号按照频段的不同进行调制，生成29种类型的编码调制联合信号；其中短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本；

(1c)对于超短波频段的信息序列分别采用振幅调制AM、频率调制FM的2种调制方式进行单独调制，生成2种调制信号，每种15000个信号样本；

(2)生成训练样本集和测试样本集：

(2a)对29种类型的编码调制联合信号和2种调制信号，每一个信号样本的所有信息点，以100个信息点为间隔进行采样，将每次连续采集440个信息点组成一个信号样本，将所有的信号样本组成信号样本集；

(2b)从生成的信号样本集中随机抽取80％的样本，组成训练样本集，从余下的20％的样本中随机抽取整个信号样本集的10％组成验证样本集，将整个信号样本集最后余下的10％作为测试样本集；

(3)构建多尺度轻量网络模型：

(3a)搭建一个用于自动提取编码调制联合信号特征的22层多尺度轻量网络模型；

(3b)设定多尺度轻量网络模型中的参数；

(3c)将多尺度轻量网络模型的损失函数设置为对数损失函数，将多尺度轻量网络模型的优化算法选择为基于自适应矩阵估计的优化算法adam，将多尺度轻量网络模型的激活函数设置为修正线性单元激活函数；

(3d)设置训练多尺度轻量网络模型时的训练次数，早期停止机制；

(4)训练多尺度轻量网络模型：

(4a)打乱训练样本集和验证样本集中所有样本的排列顺序，将训练样本集和验证样本集输入到多尺度轻量网络模型中；

(4b)训练多尺度轻量网络模型直至达到多尺度轻量网络设置的训练次数或满足早期停止机制的条件时，完成神经网络的训练过程，得到训练好的多尺度轻量网络模型；

(5)获得识别准确率：

(5a)将测试样本集输入到训练好的多尺度轻量网络模型中，得到识别结果；

(5b)将识别结果与测试集的真实类别对比，统计识别正确率。

2.根据权利要求1所述的基于多尺度轻量网络的无线电信号认知识别方法，其特征在于，步骤(1a)中所述的将接收到的每一个无线电信号的信息序列，按照频段的不同进行信道编码是指，对于短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码的三种信道编码方式，生成三种编码信号；对于超短波频段的信息序列分别采用汉明码、码率为二分之一的216非系统卷积码、码率为三分之二的216非系统卷积码、码率为四分之三的432非系统卷积码的四种信道编码方式，生成四种编码信号。

3.根据权利要求1所述的基于多尺度轻量网络的无线电信号认知识别方法，其特征在于，步骤(1b)中所述的将不同的编码信号按照频段的不同进行调制是指，对于短波频段的三种编码信号分别采用正交相移键控调制QPSK、8移相键控调制8PSK、二进制频移键控调制2FSK的调制方式，生成9种编码调制联合信号；对于超短波频段的四种编码信号分别采用二进制频移键控和频率调制的二次调制、正交相移键控和频率调制的二次调制、二进制相移键控调制BPSK、正交相移键控调制QPSK、二进制频移键控调制2FSK的5种调制方式，生成20种编码调制联合信号。

4.根据权利要求1所述的基于多尺度轻量网络的无线电信号认知识别方法，其特征在于，步骤(1b)中所述的短波频段的9种信号中每种25000个信号样本，超短波频段的20种信号中每种15000个信号样本是由下述方式得到的：

A.短波频段的9种编码调制联合信号，每种信号的帧长取10ms-150ms内的随机数，调制速率取50Bd-2.4kBd内的随机数；再将9种编码调制联合信号中的每种信号，依据帧长和调制速率的不同分为25小类，每类1000个信号，得到25000个信号样本；

B.超短波频段的20种编码调制联合信号，其中，每种信号的帧长取10ms-800ms内的随机数，调制速率取1kBd-20kBd内的随机数；再将20种编码调制联合信号中的每种信号，依据帧长和调制速率的不同分为15小类，每类1000个信号，得到15000个信号样本。

5.根据权利要求1所述的基于多尺度轻量网络的无线电信号认知识别方法，其特征在于，步骤(1c)中所述的2种调制信号，每种15000个信号样本是由下述方式得到的：超短波频段的2种调制信号每种信号的帧长取10ms-800ms内的随机数，调制速率取1kBd-20kBd内的随机数；再将2种调制信号中的每种信号，依据帧长和调制速率的不同分为15小类，每类1000个信号，得到15000个信号样本。

6.根据权利要求1所述的基于多尺度轻量网络的无线电信号认知识别方法，其特征在于,步骤(3a)中所述的22层多尺度轻量网络模型结构如下：输入层→第一个多尺度卷积层→第一个拼接操作层→池化层→第二个多尺度卷积层→第二个拼接操作层→池化层→第三个多尺度卷积层→第三个拼接操作层→池化层→第四个多尺度卷积层→第四个拼接操作层→池化层→第五个多尺度卷积层→第五个拼接操作层→池化层→第一个全连接层→第一个批规范化层→第二个全连接层→第二个批规范化层→分类器层→输出层；

每个多尺度卷积层均设置三个并行的支路，每个支路仅设置有一个一维卷积层；

其中，多尺度轻量网络模型中除多尺度卷积层之外的其他结构层参数设置如下：

输入层设置为440个神经单元；

池化层设置为最大池化；

第一个全连接层设置为64个全连接神经元；

第二个全连接层设置为31个全连接神经元；

分类器层设置为多分类函数Softmax；

拼接操作层均设置为一个矩阵拼接函数，对多尺度卷积层中的三个支路的输出结果进行拼接；

输出层设置为31个输出神经单元。

7.根据权利要求1所述的基于多尺度轻量网络的无线电信号认知识别方法，其特征在于，步骤(3b)中所述的多尺度轻量网络中多尺度卷积层的参数设置如下：将每个多尺度卷积层中的第一个支路上的一维卷积层设置为32个卷积核，每个卷积核为1×17的窗口；将多尺度卷积层中的第二个支路上的一维卷积层设置32个卷积核，每个卷积核为1×19的窗口；将多尺度卷积层中的第三个支路上的一维卷积层设置为32个卷积核，每个卷积核为1×21的窗口。

8.根据权利要求1所述的基于多尺度轻量网络的无线电信号认知识别方法，其特征在于，步骤(3d)中所述的设置训练多尺度轻量网络模型时的训练次数是指，在利用训练样本集训练多尺度轻量网络模型时，每批次训练512个训练样本，整个训练样本集的训练次数为20次。

9.根据权利要求1所述的基于多尺度轻量网络的无线电信号认知识别方法，其特征在于，步骤(3d)中所述的早期停止机制是指，在利用训练样本集训练多尺度轻量网络模型时，监测测试样本的损失函数值的变化，当损失函数值不再降低时再经过5次训练之后中止训练。