CN110728230A - 基于卷积受限玻尔兹曼机的信号调制方式的识别方法 - Google Patents

基于卷积受限玻尔兹曼机的信号调制方式的识别方法 Download PDF

Info

Publication number
CN110728230A
CN110728230A CN201910956247.3A CN201910956247A CN110728230A CN 110728230 A CN110728230 A CN 110728230A CN 201910956247 A CN201910956247 A CN 201910956247A CN 110728230 A CN110728230 A CN 110728230A
Authority
CN
China
Prior art keywords
signal
network
boltzmann machine
convolution
limited boltzmann
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910956247.3A
Other languages
English (en)
Other versions
CN110728230B (zh
Inventor
李正权
林媛
黄云龙
孙煜嘉
李梦雅
刘洋
吴琼
李宝龙
武贵路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201910956247.3A priority Critical patent/CN110728230B/zh
Publication of CN110728230A publication Critical patent/CN110728230A/zh
Application granted granted Critical
Publication of CN110728230B publication Critical patent/CN110728230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明提供基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其可以达到高效识别常用调制方式的目的，不但降低了调制识别的复杂度和难度，且此方法对多种常用调制方式识别皆有适用性。其包括：S1对原始信号进行预处理，构建信号调制类别标签；S2将预处理后获得的带标签的信号数据集构建训练集、测试集；S3构建识别网络模型；采用连续的两层卷积受限玻尔兹曼机网络作为信号特征提取层；最后将提取的信号抽象特征全展开输入分类器中进行调制模式识别；S4对识别网络模型进行训练，得到训练好的识别网络模型；S5检测获取待识别无线通信信号，对信号进行预处理后，将信号输入到训练好的识别网络模型中，进行信号调制方式类别的识别。

Description

基于卷积受限玻尔兹曼机的信号调制方式的识别方法
技术领域
本发明涉及信号处理技术领域，具体为基于卷积受限玻尔兹曼机的信号调制方式的识别方法。
背景技术
在某些特定场景下，需要通过信号处理技术，对陌生的通信信号的具体表述内容进行分析。而分析信号的具体内容，需要截获信号，然后先识别出截获的信号的调制方式，才能正确的进行解调；作为信号检测和信号解调的中间过程，信号调制方式识别主要包括特征提取和利用分类器分类两个步骤。传统的信号调制方式的识别方法，主要是基于专家特征的识别技术，需要人为针对待识别信号的调制方式进行特征提取，并进行一定的统计分析才能达到调制方式识别的目的。该类方法局限性大，容易受主观影响。近年来，深度学习的技术受到广泛关注，开始逐步被应用到非协作通信信号处理以及调制识别领域。然而，现有的利用深度学习进行信号调制方式进行识别的方法中，其中对于特征提取这个步骤大多仍然依赖于人工提取，即，每要多识别一种新的调制方式，需要人工设计新的合适的特征参数作为输入；而依赖于人工提取特征参数的识别方法，从性能方面是不稳定的，且可扩展性比较差。
发明内容
为了解决现有的信号调制方式识别方法中，对于特征提取这个过程过于依赖人工提取，导致性能不稳、可扩展性比较差的问题，本发明提供基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其可以达到高效识别常用调制方式的目的，不但降低了调制识别的复杂度和难度，且此方法对多种常用调制方式识别皆有适用性。
本发明的技术方案是这样的：基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其包括以下步骤：
S1：获取原始积累的无线通信信号，对原始信号进行预处理，构建信号调制类别标签；
S2：将预处理后获得的带标签的信号数据集随机调整顺序，构建训练集、测试集；
S3：构建识别网络模型；
S4：通过训练集，对所述识别网络模型进行训练，得到训练好的所述识别网络模型，通过所述测试集，测试网络模型泛化性能和信号识别率；
S5：检测获取待识别无线通信信号，对信号进行预处理后，将信号输入到训练好的所述识别网络模型中，进行信号调制方式类别的识别；
其特征在于：
在步骤S3中，所述识别网络的结构为基于卷积受限玻尔兹曼机网络构建的网络，采用连续的两层卷积受限玻尔兹曼机网络作为信号特征提取层；对第一层卷积受限玻尔兹曼机网络所提取的抽象特征集，进行归一化处理，将其作为第二层网络的输入；最后将第二层卷积受限玻尔兹曼机网络提取的信号抽象特征全展开输入分类器中进行调制模式识别。
其进一步特征在于：
所述第一层卷积受限玻尔兹曼机网络包括16个1*3的卷积核；
所述第二层卷积受限玻尔兹曼机网络包括9个1*3的卷积核；
所述识别网络模型中的连续的两层卷积受限玻尔兹曼机网络采用贪心无监督方法逐层构建；
步骤S4中，对所述识别网络模型进行训练的过程中，两层卷积受限玻尔兹曼机网络是使用相同的方法分别单独训练的，即先局部寻优；对每个所述卷积受限玻尔兹曼机网络单独训练时，其训练方法包括如下步骤：
S4-1:初始化卷积受限玻尔兹曼机网络的权重、即滤波器w，以及初始化可见层v的偏置b、隐含层h的偏置c；
S4-2:将所述训练集的数据随机分成小批次数据；
S4-3:采用小批次随机梯度下降法，利用步骤S4-2中获得的所述小批次数据，基于代价函数进行训练获得最优网络参数；
S4-4：采用对比散度算法简化网络模型参数梯度的计算，不断迭代更新卷积受限玻尔兹曼机网络的权重w和偏置b、偏置c；
步骤S4-3中，训练所述卷积受限玻尔兹曼机网络时，采用的代价函数为：
其中：Dtrain表示训练集，vt表示训练集中第t个信号样本，p(vt)为输入样本vt的边缘概率分布，训练目标为最小化代价函数L；
步骤S4中，网络参数更新的计算基于以下两个条件概率：
a1：由可见层到隐含层的计算，即：基于可见层已知，计算隐含层单元激活的条件概率：
Figure BDA0002227395600000022
a2：由隐含层到可见层的计算，即：基于隐含层已知，计算可见层单元激活的条件概率：
P(vij＝1|h)＝sigmoid((∑kwk*hk)ij+b)
其中：
k表示第k个卷积核，为第k个卷积核与可见层卷积运算后所得的特征映射，sigmoid为激活函数，
i j为位于i行j列的网络层单元；
步骤S1中，对原始信号的所述预处理包括：
S1-1：对所获原始信号进行不间断连续采样；
S1-2：提取信号段，将段内连续采样点组成采样序列，作为信号样本；
S1-3：对所有所述样本数据进行归一化处理，使所有的样本向量元素缩小到区间[0,1]中，构建样本对应调制类别标签，由此获得由采样序列构成的大量带标签的信号数据集；
所述归一化处理如下所示：
Figure BDA0002227395600000024
其中：x*表示归一化之后的样本向量，x为原始样本向量，xmin表示原始样本向量中的最小值，xmax表示原始样本向量中的最大值；
所述识别网络中的分类器选用softmax分类器；
步骤S2中，在构建所述训练集、所述测试集之前，对所有的所述信号数据集中的样本添加高斯随机噪声，信噪比取[-6:2:10]db，即可获得不同信噪比下含噪样本数据集，用于训练不同信噪比下的网络模型；
构建所述训练集、所述测试集时，所述训练集和所述测试集的比例为8:2；
步骤S4中，通过所述测试集测试所述识别网络的性能时，采用转移学习方法，将高信噪比数据下训练好的网络的权重和偏置值，作为下一低信噪比下网络的初始值进行训练。
本发明提供的基于卷积受限玻尔兹曼机的信号调制方式的识别方法中，采用两层卷积受限玻尔兹曼机深度提取待识抽象别信号特征，通过训练数据进行学习，避免了显式的特征提取。卷积受限玻尔兹曼机结合全连接型受限玻尔兹曼机网络精度相对较高和CNN网络收敛快的优势；第一层卷积受限玻尔兹曼机网络将原始数据局部特征压缩后，通过卷积计算映射到不同的特征通道(channel)上；第二层卷积受限玻尔兹曼机网络对上一层的特征映射(feature map)进一步细化提取特征，同时有效控制数据维度；最后将提取特征全展开采用全连接的方式输入softmax分类器进行信号调制方式分类，全展开所得featuremap能有效考虑所提取特征映射的全局信息，保证识别精度；本发明的技术方案中，设置了两层卷积受限玻尔兹曼机网络对信号特征进行特征提取，避免了传统人工提取特征的低效复杂性，有效提高了识别信号调制方式的效率，且适用于多种调制方式的识别，降低识别多种调制方式的复杂度和难度。
附图说明
图1为本发明的识别方法中各特征图层连接示意图；
图2为本发明识别方法中卷积受限玻尔兹曼机的具体构造过程示意图；
图3为三种不同模型在不同信噪比下的信号调制识别率的对照图。
具体实施方式
卷积受限玻尔兹曼机(CRBM，Convolutional Restricted Boltzmann Machine)，此模型有效使用卷积滤波器，因此在高维数据的处理方面更具有优势。卷积受限玻尔兹曼机结合全连接玻尔兹曼机网络精度相对较高和卷积神经网络(CNNs)网络收敛快的优势，适用于调制识别问题。
本发明基于卷积受限玻尔兹曼机的信号调制方式的识别方法，并构建样本对应调制类别标签，六种调制方式对应的类别标签分别为：2ASK(000001)，4ASK(000010)，2PSK(000100)，4PSK(001000)，2FSK(010000)，4FSK(100000)；其包括以下步骤。
S1：获取待识别无线通信信号，对原始信号进行预处理；预处理包括如下步骤：
S1-1：对所获原始信号进行不间断连续采样；
S1-2：提取信号段，将段内采样点组成采样序列，作为样本数据；
S1-3：对所有样本数据进行归一化处理，使所有的样本向量元素缩小到区间[0,1]中，由此获得由采用序列构成的大量带标签的信号数据集；
步骤S1-3中，归一化处理如下所示：
Figure BDA0002227395600000031
其中：x*表示归一化之后的样本向量，x为原始样本向量，xmin表示原始样本向量中的最小值，xmax表示原始样本向量中的最大值。
S2：将预处理后获得的信号数据集随机调整顺序，构建训练集、测试集；在构建训练集、测试集之前，对所有的信号数据集中的样本添加不同程度的高斯随机噪声，信号信噪比取[-6:2:10]db；构建训练集、测试集时，训练集和测试集的比例为8:2；因为信号实际传播环境存在多种干扰，仿真实验中通过添加噪声模拟实际捕获信号，用来测试识别模型性能；使用这样的训练集、测试集训练出来的网络模型更符合实际应用。
S3：构建识别网络模型；如图1所示，识别网络的结构为基于卷积受限玻尔兹曼机网络构建的网络，采用连续的两层卷积受限玻尔兹曼机网络作为信号特征提取层；第一层卷积受限玻尔兹曼机网络所提取的抽象特征集，经过归一化处理后作为第二层网络的输入，最后将第二层卷积受限玻尔兹曼机网络提取的信号特征全展开输入分类器中进行调制模式识别；第一层卷积受限玻尔兹曼机网络包括16个1*3的卷积核；第二层卷积受限玻尔兹曼机网络包括9个1*3的卷积核；识别网络中的分类器选用softmax分类器；识别网络模型中的连续的两层卷积受限玻尔兹曼机网络采用贪心无监督方法(Greedy unsupervisedlearning methods)逐层构建。卷积核通过学习为许多时间特征形成匹配滤波器，每个时间特征将具有一些滤波器增益以在较低信噪比下发挥作用，并且当它们相结合可形成分类的稳定基础，适用于低信噪比下的信号调制识别。
如图2所示，为本发明识别方法中卷积受限玻尔兹曼机的具体构造过程。(v1,…,vm)为卷积受限玻尔兹曼机的输入，表示某一信号由上一层输出的m个特征映射(第一层CRBM网络的输入为单个的原始信号样本)，(h1,h2,…,hk)表示该层CRBM输出的k个特征映射，{(w11,w12,…,w1k),…,(wm1,wm2,…,wmk)}为网络输入v和输出h相对应的卷积核，即v1与(w11,w12,…,w1k)分别进行卷积运算获得(h11,h12,…,h1k)，vm与(wm1,wm2,…,wmk)分别进行卷积运算获得(hm1,hm2,…,hmk)，将{(h11,h12,…,h1k),…,(hm1,hm2,…,hmk)}相累加得网络输出(h1,h2,…,hk)。
S4：通过训练集，对识别网络模型进行训练，得到训练好的识别网络模型，通过测试集测试模型性能；
通过所述测试集测试所述识别网络性能时，采用转移学习方法(transferlearning)，将高信噪比数据下训练好的CRBM网络的权重和偏置值作为下一低信噪比下网络的初始值进行训练，提高网络收敛速度，比如利用信噪比为10db的含噪样本训练所得最优网络参数，作为将要通过信噪比为8db的含噪样本进行训练的网络参数初始值；
对识别网络模型进行训练的过程中，两层卷积受限玻尔兹曼机网络是使用相同的方法分别单独训练的，即先局部寻优；对每个卷积受限玻尔兹曼机网络单独训练时，其训练方法包括如下步骤：
S4-1:初始化卷积受限玻尔兹曼机网络的权重、即滤波器w，以及初始化可见层v的偏置b、隐含层h的偏置c；
S4-2:将训练集的数据随机分成小批次数据；
S4-3:训练卷积受限玻尔兹曼机网络时，采用小批次随机梯度下降法(SGD)，基于代价函数进行训练获得最优网络参数；
采用的代价函数为：
Figure BDA0002227395600000041
其中：Dtrain表示训练集，vt表示训练集中第t个信号样本，p(vt)为输入样本vt的边缘概率分布，训练目标为最小化代价函数L；
S4-4：采用对比散度算法(CD-K)简化梯度的计算，不断迭代更新卷积受限玻尔兹曼机网络的权重w和偏置b、偏置c；
同时会根据实际实验情况，添加正则项，用以避免过拟合情况的出现；
基于代价函数采用SGD算法求网络参数梯度，采用CD-K算法化简计算，可得：
Figure BDA0002227395600000042
其中：vt为信号样本，E(v,h)为能量函数，p(h|vt)为已知样本vt条件下隐含层单元h的激活概率，p(hK|vK)为k次重构后vK已知条件下的隐含层激活概率。
步骤S4中，网络参数更新的计算基于以下两个条件概率：
a1：由可见层到隐含层的计算，即：基于可见层已知，计算隐含层单元的条件概率：
Figure BDA0002227395600000051
a2：由隐含层到可见层的计算，即：基于隐含层已知，计算可见层单元的条件概率：
P(vij＝1|h)＝sigmoid((∑kwk*hk)ij+b)
其中：
k表示第k个卷积核，为第k个卷积核与可见层卷积运算后所得的特征层，sigmoid为激活函数，
i j为位于i行j列的网络层单元。
S5：检测获取待识别无线通信信号，对原始信号进行预处理后，将信号输入到训练好的识别网络模型中，进行信号调制方式类别的识别。
在下述试验环境中，进行方案的效果确认：
采用MATLAB软件仿真生成高斯信道环境下的六种调制信号：2ASK，4ASK，2PSK，4PSK，2FSK，4FSK，并构建相对应的调制类别标签，即2ASK(000001)，4ASK(000010)，2PSK(000100)，4PSK(001000)，2FSK(010000)，4FSK(100000)。信号的仿真参数如表1所示：
表1通信信号参数
通信参数 具体数值
符号速率 10kbps
比特速率 10kbps，20kbps
载波频率 50khz，100khz，150khz，200khz
采样速率 640khz
信噪比 [-6:2:10]db
对所获信号进行采样分段和归一化处理。取信号段长度为512，每种调制方式在某一信噪比下的样本数为4000，随机取80％为训练集用于模型训练，剩余20％为测试集用于测试识别性能。对样本添加不同程度的高斯随机噪声，信号信噪比取[-6:2:10]db。
如图1所示，第一层卷积受限玻尔兹曼机网络包括16个1*3的卷积核；第二层卷积受限玻尔兹曼机网络包括9个1*3的卷积核；最后将第二层CRBM网络提取的信号抽象特征全展开输入softmax分类器，分类层输出为六位的标签向量，表示待识别信号的类别。将训练集随机分批训练CRBM网络和softmax分类器，测试集测试模型性能。训练过程中调整网络超参数：学习率，batchsize、权重惩罚系数等，观察实验效果，以获取最优模型。为了提高训练稳定性，利用转移学习(transfer learning)的方法进行训练，即高信噪比下训练完成模型的参数作为低信噪比下的模型参数初始值。最终仿真结果如图3所示，图3中为三种不同模型在不同信噪比下的信号调制识别率，分别为：本发明提出的基于两层CRBM和softmax分类器的模型(图中标记为CRBM)、基于两层RBM和softmax分类器的模型(图中标记为RBM)，以及单独的softmax分类器(图中标记为softmax)，具体结果如下所示：
本发明的提出的模型在4db信噪比的情况下，信号调制方式识别率在94％以上；可见，本网络模型在无需人工提取待识别信号特征时在低信噪比下仍能保持较优识别率，降低了调制识别工作的复杂度；
采用两层RBM作为信号特征提取层，再利用softmax分类器进行信号调制方式识别的技术方案中，同样将归一化后的信号采样点作为RBM网络输入，采用贪心无监督法逐层构建RBM网络，两层RBM网络隐含层单元数均为100，均采用CD-1算法迭代训练100次，由图中调制方式识别率曲线可知，此方案识别效果次于CRBM模型，4db信噪比下只达到79.313％左右的识别率，且信噪比低于-2db时识别率下降加快，在低噪环境中模型稳定性较差；
将归一化样本作为单独的softmax分类器输入的技术方案中，不同信噪比下6种调制信号的识别率在62％左右，可见softmax分类器在处理时序信号时受噪声干扰较小，但是总体识别率较低，原始信号特征不明显加大识别难度；
综上，由图3三种方案对六种调制方式进行识别的实验结果对比，可知基于CRBM的信号调制方式识别模型更具优势，在隐含层参数较少的情况下，仍能通过卷积计算获取更细化特征，取得优于RBM模型的识别结果，且节省了参数存储空间。

Claims (10)

1.基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其包括以下步骤：
S1：获取原始积累的无线通信信号，对原始信号进行预处理，构建信号调制类别标签；
S2：将预处理后获得的带标签的信号数据集随机调整顺序，构建训练集、测试集；
S3：构建识别网络模型；
S4：通过训练集，对所述识别网络模型进行训练，得到训练好的所述识别网络模型，通过所述测试集，测试网络模型泛化性能和信号识别率；
S5：检测获取待识别无线通信信号，对信号进行预处理后，将信号输入到训练好的所述识别网络模型中，进行信号调制方式类别的识别；
其特征在于：
在步骤S3中，所述识别网络的结构为基于卷积受限玻尔兹曼机网络构建的网络，采用连续的两层卷积受限玻尔兹曼机网络作为信号特征提取层；对第一层卷积受限玻尔兹曼机网络所提取的抽象特征集，进行归一化处理，将其作为第二层网络的输入；最后将第二层卷积受限玻尔兹曼机网络提取的信号抽象特征全展开输入分类器中进行调制模式识别。
2.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：所述第一层卷积受限玻尔兹曼机网络包括16个1*3的卷积核；所述第二层卷积受限玻尔兹曼机网络包括9个1*3的卷积核。
3.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：所述识别网络模型中的连续的两层卷积受限玻尔兹曼机网络采用贪心无监督方法逐层构建。
4.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：步骤S4中，对所述识别网络模型进行训练的过程中，两层卷积受限玻尔兹曼机网络是使用相同的方法分别单独训练的，即先局部寻优；对每个所述卷积受限玻尔兹曼机网络单独训练时，其训练方法包括如下步骤：
S4-1:初始化卷积受限玻尔兹曼机网络的权重、即滤波器w，以及初始化可见层v的偏置b、隐含层h的偏置c；
S4-2:将所述训练集的数据随机分成小批次数据；
S4-3:采用小批次随机梯度下降法，利用步骤S4-2中获得的所述小批次数据，基于代价函数进行训练获得最优网络参数；
S4-4：采用对比散度算法简化网络模型参数梯度的计算，不断迭代更新卷积受限玻尔兹曼机网络的权重w和偏置b、偏置c。
5.根据权利要求4所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：步骤S4-3中，训练所述卷积受限玻尔兹曼机网络时，采用的代价函数为：
Figure FDA0002227395590000011
其中：Dtrain表示训练集，vt表示训练集中第t个信号样本，p(vt)为输入样本vt的边缘概率分布，训练目标为最小化代价函数L。
6.根据权利要求4所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：步骤S4中，网络参数更新的计算基于以下两个条件概率：
a1：由可见层到隐含层的计算，即：基于可见层已知，计算隐含层单元激活的条件概率：
a2：由隐含层到可见层的计算，即：基于隐含层已知，计算可见层单元激活的条件概率：
P(vij＝1|h)＝sigmoid((∑kwk*hk)ij+b)
其中：
k表示第k个卷积核，
Figure FDA0002227395590000021
为第k个卷积核与可见层卷积运算后所得的特征映射，sigmoid为激活函数，ij为位于i行j列的网络层单元。
7.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：步骤S1中，对原始信号的所述预处理包括：
S1-1：对所获原始信号进行不间断连续采样；
S1-2：提取信号段，将段内连续采样点组成采样序列，作为信号样本；
S1-3：对所有所述样本数据进行归一化处理，使所有的样本向量元素缩小到区间[0,1]中，构建样本对应调制类别标签，由此获得由采样序列构成的大量带标签的信号数据集；
所述归一化处理如下所示：
Figure FDA0002227395590000022
其中：x*表示归一化之后的样本向量，x为原始样本向量，xmin表示原始样本向量中的最小值，xmax表示原始样本向量中的最大值。
8.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：所述识别网络中的分类器选用softmax分类器。
9.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：步骤S2中，在构建所述训练集、所述测试集之前，对所有的所述信号数据集中的样本添加高斯随机噪声，信噪比取[-6:2:10]db，即可获得不同信噪比下含噪样本数据集，用于训练不同信噪比下的网络模型；
构建所述训练集、所述测试集时，所述训练集和所述测试集的比例为8:2。
10.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法，其特征在于：步骤S4中，通过所述测试集测试所述识别网络的性能时，采用转移学习方法，将高信噪比数据下训练好的网络的权重和偏置值，作为下一低信噪比下网络的初始值进行训练。
CN201910956247.3A 2019-10-10 2019-10-10 基于卷积受限玻尔兹曼机的信号调制方式的识别方法 Active CN110728230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910956247.3A CN110728230B (zh) 2019-10-10 2019-10-10 基于卷积受限玻尔兹曼机的信号调制方式的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910956247.3A CN110728230B (zh) 2019-10-10 2019-10-10 基于卷积受限玻尔兹曼机的信号调制方式的识别方法

Publications (2)

Publication Number Publication Date
CN110728230A true CN110728230A (zh) 2020-01-24
CN110728230B CN110728230B (zh) 2023-08-22

Family

ID=69220892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910956247.3A Active CN110728230B (zh) 2019-10-10 2019-10-10 基于卷积受限玻尔兹曼机的信号调制方式的识别方法

Country Status (1)

Country Link
CN (1) CN110728230B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401440A (zh) * 2020-03-13 2020-07-10 重庆第二师范学院 目标分类识别方法、装置、计算机设备及存储介质
CN111652177A (zh) * 2020-06-12 2020-09-11 中国计量大学 基于深度学习的信号特征提取方法
CN111835444A (zh) * 2020-06-17 2020-10-27 武汉大学 一种无线信道场景识别方法及系统
CN111988252A (zh) * 2020-08-24 2020-11-24 成都华日通讯技术股份有限公司 基于深度学习的信号调制方式识别方法
CN112288020A (zh) * 2020-10-30 2021-01-29 江南大学 基于判别式受限玻尔兹曼机的数字调制识别方法
CN113723353A (zh) * 2021-09-13 2021-11-30 上海交通大学 一种随机多径干扰条件下基于cbd网络的调制信号识别方法
CN113807262A (zh) * 2021-09-18 2021-12-17 深圳市唯特视科技有限公司 获取细微特征提取模型方法、装置、计算机设备
CN113822421A (zh) * 2021-10-14 2021-12-21 平安科技（深圳）有限公司 基于神经网络的异常定位方法、系统、设备及存储介质
CN114220439A (zh) * 2021-12-24 2022-03-22 北京金山云网络技术有限公司 声纹识别模型的获取方法、装置、系统、设备及介质
CN114509679A (zh) * 2022-04-20 2022-05-17 中汽信息科技(天津)有限公司 基于深度学习的电池soh预测模型构建方法
CN114861928A (zh) * 2022-06-07 2022-08-05 北京大学 一种量子测量方法及装置和计算设备
CN115720184A (zh) * 2022-10-08 2023-02-28 西安电子科技大学 一种基于特征分布的小样本信号调制类型识别方法
CN115856873A (zh) * 2022-11-15 2023-03-28 大连海事大学 一种岸基ais信号可信性判别模型、方法及装置
CN116542305A (zh) * 2023-03-29 2023-08-04 清华大学 抗入射信号误差的鲁棒性光学神经网络设计方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330908A (zh) * 2017-06-28 2017-11-07 陕西师范大学 一种基于卷积受限玻尔兹曼机的形状建模方法及相关装置
CN108509989A (zh) * 2018-03-26 2018-09-07 西安电子科技大学 基于高斯选控玻尔兹曼机的hrrp识别方法
CN108520216A (zh) * 2018-03-28 2018-09-11 电子科技大学 一种基于步态图像的身份识别方法
CN110119455A (zh) * 2019-04-23 2019-08-13 西安理工大学 一种基于卷积深度置信网络的图像分类检索方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330908A (zh) * 2017-06-28 2017-11-07 陕西师范大学 一种基于卷积受限玻尔兹曼机的形状建模方法及相关装置
CN108509989A (zh) * 2018-03-26 2018-09-07 西安电子科技大学 基于高斯选控玻尔兹曼机的hrrp识别方法
CN108520216A (zh) * 2018-03-28 2018-09-11 电子科技大学 一种基于步态图像的身份识别方法
CN110119455A (zh) * 2019-04-23 2019-08-13 西安理工大学 一种基于卷积深度置信网络的图像分类检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李正权: "基于判别式受限玻尔兹曼机的数字调制识别" *
杨安锋: "基于混合受限波尔兹曼机的调制样式识别" *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401440A (zh) * 2020-03-13 2020-07-10 重庆第二师范学院 目标分类识别方法、装置、计算机设备及存储介质
CN111652177A (zh) * 2020-06-12 2020-09-11 中国计量大学 基于深度学习的信号特征提取方法
CN111835444A (zh) * 2020-06-17 2020-10-27 武汉大学 一种无线信道场景识别方法及系统
CN111835444B (zh) * 2020-06-17 2021-04-27 武汉大学 一种无线信道场景识别方法及系统
CN111988252A (zh) * 2020-08-24 2020-11-24 成都华日通讯技术股份有限公司 基于深度学习的信号调制方式识别方法
CN112288020A (zh) * 2020-10-30 2021-01-29 江南大学 基于判别式受限玻尔兹曼机的数字调制识别方法
CN113723353B (zh) * 2021-09-13 2023-12-12 上海交通大学 一种随机多径干扰条件下基于cbd网络的调制信号识别方法
CN113723353A (zh) * 2021-09-13 2021-11-30 上海交通大学 一种随机多径干扰条件下基于cbd网络的调制信号识别方法
CN113807262A (zh) * 2021-09-18 2021-12-17 深圳市唯特视科技有限公司 获取细微特征提取模型方法、装置、计算机设备
CN113822421A (zh) * 2021-10-14 2021-12-21 平安科技（深圳）有限公司 基于神经网络的异常定位方法、系统、设备及存储介质
CN113822421B (zh) * 2021-10-14 2024-05-14 平安科技（深圳）有限公司 基于神经网络的异常定位方法、系统、设备及存储介质
CN114220439A (zh) * 2021-12-24 2022-03-22 北京金山云网络技术有限公司 声纹识别模型的获取方法、装置、系统、设备及介质
CN114509679A (zh) * 2022-04-20 2022-05-17 中汽信息科技(天津)有限公司 基于深度学习的电池soh预测模型构建方法
CN114861928A (zh) * 2022-06-07 2022-08-05 北京大学 一种量子测量方法及装置和计算设备
CN115720184A (zh) * 2022-10-08 2023-02-28 西安电子科技大学 一种基于特征分布的小样本信号调制类型识别方法
CN115720184B (zh) * 2022-10-08 2024-04-19 西安电子科技大学 一种基于特征分布的小样本信号调制类型识别方法
CN115856873A (zh) * 2022-11-15 2023-03-28 大连海事大学 一种岸基ais信号可信性判别模型、方法及装置
CN115856873B (zh) * 2022-11-15 2023-11-07 大连海事大学 一种岸基ais信号可信性判别模型、方法及装置
CN116542305A (zh) * 2023-03-29 2023-08-04 清华大学 抗入射信号误差的鲁棒性光学神经网络设计方法及装置

Also Published As

Publication number Publication date
CN110728230B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN110728230B (zh) 基于卷积受限玻尔兹曼机的信号调制方式的识别方法
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN112731309B (zh) 一种基于双线性高效神经网络的有源干扰识别方法
Hu et al. Robust modulation classification under uncertain noise condition using recurrent neural network
CN108846259B (zh) 一种基于聚类和随机森林算法的基因分类方法及系统
CN103945533B (zh) 基于大数据的无线实时位置定位方法
CN107169504B (zh) 一种基于扩展非线性核残差网络的手写字符识别方法
CN109495214B (zh) 基于一维Inception结构的信道编码类型识别方法
CN109379153B (zh) 一种频谱感知方法
CN112637093A (zh) 一种基于模型驱动深度学习的信号检测方法
CN113326731A (zh) 一种基于动量网络指导的跨域行人重识别算法
CN111199127A (zh) 基于深度强化学习的雷达干扰决策方法
CN112232395B (zh) 一种基于联合训练生成对抗网络的半监督图像分类方法
CN111751714A (zh) 一种基于svm和hmm的射频模拟电路故障诊断方法
CN113315593A (zh) 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法
CN110084126A (zh) 一种基于Xgboost的卫星通信干扰样式识别方法
CN111641598A (zh) 一种基于宽度学习的入侵检测方法
CN114650199A (zh) 一种基于数据驱动的深度神经网络信道估计方法及系统
CN113971440A (zh) 一种基于深度聚类的无监督雷达信号分选方法
CN115294615A (zh) 一种基于机器学习的射频指纹识别方法
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN116566777B (zh) 一种基于图卷积神经网络的跳频信号调制识别方法
CN117221816A (zh) 一种基于Wavelet-CNN的多建筑楼层定位方法
CN115276857B (zh) 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法
CN115329821A (zh) 一种基于配对编码网络和对比学习的舰船噪声识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant