CN114422311A - 联合深度神经网络和专家先验特征的信号调制识别方法及系统 - Google Patents

Abstract

本发明属于无线电通信领域，特别涉及一种联合深度神经网络和专家先验特征的信号调制识别方法及系统，构建信号调制识别网络模型并利用已知信号调制类别的信号样本数据进行模型训练，其中，模型包含：用于依据特征参数的不同进行类间分类的一级神经网络，及与一级神经网络连接用于针对不同的特征参数类间分类结果通过提取对应子类内部信号特征进行类内分类的二级神经网络，该二级神经网络数量与特征参数类间分类个数一致；依据对信号先验信息依赖程度和区分度选取多个用于信号调制识别的目标信号特征参数，利用已训练的信号调制识别网络模型识别目标信号的调制类别。本发明提高识别准确率，在多径衰落和频偏的影响情形下，保证信号识别效果。

Description

联合深度神经网络和专家先验特征的信号调制识别方法及 系统

技术领域

本发明属于无线电通信领域，特别涉及一种联合深度神经网络和专家先验特征的信号调制识别方法及系统。

背景技术

信号调制识别是信号截获分析必不可少的部分，一直以来都是无线电通信领域的研究热点。随着电磁频谱环境的日益复杂，调制方式层出不穷，如何快速且准确地自动识别出不同信号的调制方式对于能否进行后续的解调以及分析处理起到关键性作用。目前，传统的自动调制识别技术主要是基于专家先验特征的识别方法。该方法主要分为特征提取、模式识别两个步骤，从接收到的信号数据中提取出能够表征调制方式的特征，然后根据提取出来的特征设计分类规则实现调制识别。其中，比较常见的有通过观测和对比瞬时幅度、频率和相位区分调制样式，但是该类特征在低信噪比条件下的表征能力不强；高阶统计量和星座图等特征需要对原始信号数据进行最佳采样等预处理，基于循环谱特征的识别算法计算复杂度相对较高。对于相对复杂的待识别信号集，基于专家先验特征的模式识别方法一般都会与决策树相结合，选取多种特征，根据不同信号所表征的特征值不同，设置合适的门限实现分类识别，但是其识别精度受门限设置的影响很大。

深度学习技术在视觉图像和自然语言处理领域取得突破性发展，近些年来研究学者致力于将深度学习技术应用于无线电通信相关领域，改善甚至解决目前存在的难题。基于深度学习的自动调制识别是深度学习在无线电通信应用较早，也是较为成熟的领域之一，并且已经部署到实际应用中，如：利用卷积神经网络(Convolutional NeuralNetworks,CNN)进行调制信号的分类识别，并取得不错的效果，但是当输入数据是具有记忆性的时序数据时，CNN的表现欠佳。

发明内容

为此，本发明提供一种联合深度神经网络和专家先验特征的信号调制识别方法及系统，选取信号先验信息依赖程度较低、区分度较高的多种特征信息作为网络输入，利用多级网络结构进行信号调制类间和类内的分类识别，代替现有分类的判决门限，提高识别准确率，在多径衰落和频偏的影响情形下，保证信号识别效果。

按照本发明所提供的设计方案，提供一种联合深度神经网络和专家先验特征的信号调制识别方法，包含如下内容：

构建信号调制识别网络模型并利用已知信号调制类别的信号样本数据进行模型训练，其中，信号调制识别网络模型包含：用于依据特征参数的不同进行类间分类的一级神经网络，及与一级神经网络连接用于针对不同的特征参数类间分类结果通过提取对应子类内部信号特征进行类内分类的二级神经网络，该二级神经网络数量与特征参数类间分类个数一致；

依据对信号先验信息依赖程度和区分度选取多个用于信号调制识别的目标信号特征参数；将选取的目标信号特征参数作为模型输入，利用已训练的信号调制识别网络模型来识别目标信号的调制类别。

作为本发明联合深度神经网络和专家先验特征的信号调制识别方法，进一步地，一级神经网络为包含依次连接的卷积网络CNN、双向长短期记忆神经网络Bi-LSTM和完全连接网络DNN的深层神经网络结构CLDNN，信号特征参数作为一级神经网络输入，首先通过卷积网络CNN对输入数据的频域*时域进行卷积处理，然后利用双向长短期记忆神经网络Bi-LSTM提取卷积处理后信号时序特征，利用完全连接网络DNN将提取的信号时序特征转化到分离空间进行分类。

作为本发明联合深度神经网络和专家先验特征的信号调制识别方法，进一步地，所述二级神经网络均采用深层神经网络结构CLDNN，或采用数字信号调制识别的深层神经网络结构CLDNN及模拟信号调制识别的的卷积网络CNN的并列组合网络。

作为本发明联合深度神经网络和专家先验特征的信号调制识别方法，进一步地，在卷积网络CNN中，利用通道共享阈值的残差收缩网络，将残差收缩网络中残差块单元输入与输出的特征向量相加，经过批量归一化层的归一化操作和ReLu激活函数处理后作为残差收缩网络中下一个残差块单元的输入，利用残差收缩网络来捕捉输入的信号特征。

作为本发明联合深度神经网络和专家先验特征的信号调制识别方法，进一步地，残差收缩网络中残差块单元利用软阈值化子神经网络来自动调制用于消除噪声的阈值，其中，软阈值化子神经网络的软阈值化处理过程表示为：

其中，x表示输入的特征，y表示输出的特征，τ表示阈值。

作为本发明联合深度神经网络和专家先验特征的信号调制识别方法，进一步地，收集已知调制类别的信号样本数据中，首先，采用MATLAB仿真生成若干种调制类别的数字模拟信号，信号码元随机生成且相互独立，按预设信号与噪声功率比范围添加高斯白噪声，生成对应调制类别的信号样本数据；然后，将信号样本数据按预设比例划分为训练集和测试集，利用训练集和测试集中的信号样本数据分别对信号调制识别模型进行训练和测试，以获取用于对目标信号进行调制识别的信号调制识别模型。

作为本发明联合深度神经网络和专家先验特征的信号调制识别方法，进一步地，信号特征参数至少包含：IQ数据采样点、模值和相位组合、傅里叶变换幅度谱、平方谱及四次方谱。

进一步地，本发明还提供一种联合深度神经网络和专家先验特征的信号调制识别方法，包含：模型构建模块和目标识别模块，其中，

模型构建模块，用于构建信号调制识别网络模型并利用已知信号调制类别的信号样本数据进行模型训练，其中，信号调制识别网络模型包含：用于依据特征参数的不同进行类间分类的一级神经网络，及与一级神经网络连接用于针对不同的特征参数类间分类结果通过提取对应子类内部信号特征进行类内分类的二级神经网络，该二级神经网络数量与特征参数类间分类个数一致；

目标识别模块，用于依据对信号先验信息依赖程度和区分度选取多个用于信号调制识别的目标信号特征参数；将选取的目标信号特征参数作为模型输入，利用已训练的信号调制识别网络模型来识别目标信号的调制类别。

本发明的有益效果：

本发明将深度神经网络与传统的专家先验特征相结合，选取对信号先验信息依赖程度较低、区分度较高的多个特征参数作为网络输入，利用两级神经网络分别对信号调制进行类间和类内的分类识别，并进一步在卷积层中加入残差收缩网络模块可以有效降低噪声影响，利用双向长短期记忆神经网络可以提取时序相关性，提高模拟调制和在多径衰落信道下的信号识别准确率；将神经网络代替分类的判决门限，并结合输入的专家先验特征实现分层分类，解决现实场景中信号调制方式种类繁多、信道干扰严重、难以快速准确识别等情形。进一步通过实验表明，本案方案算法在信噪比0dB以上，识别准确率可以超过90％；在多径衰落信道和频偏存在的情况下比直接用神经网络的识别准确率提高3％左右，具有较好的应用前景。

附图说明：

图1为实施例中联合深度神经网络和专家先验特征的信号调制识别流程示意；

图2为实施例中16QAM和64QAM信号星座图示意；

图3为实施例中信噪比10dB下信号傅里叶变换幅度谱示意；

图4为实施例中信噪比10dB下MPSK信号平方谱和四次方谱示意；

图5为实施例中信号调试识别算法原理示意；

图6为实施例中软阈值化处理过程示意；

图7为实施例中残差收缩网络结构示意；

图8为实施例中信号调制识别主体网络模型示意；

图9为实施例中不同调制类别在测试集上随信噪比变化的识别准确率示意；

图10为实施例中不同网络模型在测试集上随信噪比变化的识别准确率示意；

图11为实施例中多径信道下不同调制方式在测试集上随信噪比变化的识别准确率示意；

图12为实施例中在测试集上随信噪比变化的识别准确率示意。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。

本发明实施例，提供一种联合深度神经网络和专家先验特征的信号调制识别方法，参见图1所示，包含如下内容：

S101、构建信号调制识别网络模型并利用已知信号调制类别的信号样本数据进行模型训练，其中，信号调制识别网络模型包含：用于依据特征参数的不同进行类间分类的一级神经网络，及与一级神经网络连接用于针对不同的特征参数类间分类结果通过提取对应子类内部信号特征进行类内分类的二级神经网络，该二级神经网络数量与特征参数类间分类个数一致；

S102、依据对信号先验信息依赖程度和区分度选取多个用于信号调制识别的目标信号特征参数；将选取的目标信号特征参数作为模型输入，利用已训练的信号调制识别网络模型来识别目标信号的调制类别。

将深度神经网络与传统的专家先验特征相结合，选取对信号先验信息依赖程度较低、区分度较高的多个特征参数作为网络输入，利用两级神经网络分别对信号调制进行类间和类内的分类识别，在对信号先验信息依赖程度较低及多径衰落和频偏的影响，能够保证调制识别效果。

作为本发明实施例中联合深度神经网络和专家先验特征的信号调制识别方法，进一步地，一级神经网络为包含依次连接的卷积网络CNN、双向长短期记忆神经网络Bi-LSTM和完全连接网络DNN的深层神经网络结构CLDNN，信号特征参数作为一级神经网络输入，首先通过卷积网络CNN对输入数据的频域*时域进行卷积处理，然后利用双向长短期记忆神经网络Bi-LSTM提取卷积处理后信号时序特征，利用完全连接网络DNN将提取的信号时序特征转化到分离空间进行分类。进一步地，所述二级神经网络均采用深层神经网络结构CLDNN，或采用数字信号调制识别的深层神经网络结构CLDNN及模拟信号调制识别的的卷积网络CNN的并列组合网络。进一步地，在卷积网络CNN中，利用通道共享阈值的残差收缩网络，将残差收缩网络中残差块单元输入与输出的特征向量相加，经过批量归一化层的归一化操作和ReLu激活函数处理后作为残差收缩网络中下一个残差块单元的输入，利用残差收缩网络来捕捉输入的信号特征。进一步地，信号特征参数至少包含：IQ数据采样点、模值和相位组合、傅里叶变换幅度谱、平方谱及四次方谱。

目前，广泛应用于无线电通信领域的信号调制方式，包括7种数字调制信号：16QAM、64QAM、BPSK、QPSK、8PSK、CPFSK、GFSK，3种模拟调制信号：WBFM、AM-DSB、AM-SSB。基于对信号先验信息依赖程度较低，特征提取简单、区分度较高的原则，分析这10种不同信号调制方式的特点，在对接收到的信号只进行匹配滤波的预处理前提下，可选取IQ数据、模值和相位、傅里叶变换幅度谱、平方谱和四次方谱等特征参数作为网络输入。

正交振幅调制(QAM)是一种幅度和相位联合键控的调制方式。16QAM和64QAM信号星座图如图2所示，它们分别包含16、64组模值和相位信息，所以模值和相位可以作为区分QAM信号的特征。在信噪比10dB情况下，10种信号调制方式的傅里叶变换幅度谱如图3所示，GFSK的幅度谱有两个明显的峰值，所以通过傅里叶变换幅度谱可以较好地区分GFSK和CPFSK。信号平方谱是信号平方后的傅里叶变换幅度谱，信号四次方谱是信号四次方后的傅里叶变换幅度谱，BPSK在平方谱和四次方谱有很强的单频分量，而QPSK只有在四次方谱中单频分量才较为明显，8PSK在平方谱和四次方谱中均无单频分量，如图4所示。因此，平方谱和四次方谱可以作为区分PSK信号的特征。

提取单一信号特征往往只能对特定类别的信号区分度比较高，当待识别的信号种类较多时，就需要提取多个信号特征。传统的方法是将提取的信号特征结合决策树进行分类识别，但是难以确定判决阈值的设置，而将多个特征直接输入到神经网络中训练的识别效果也不是很理想。本案实施例中可联合深度神经网络和专家先验特征对所选取的10种信号调制方式加以区分。具体算法可如图5所示，对不同调制类别信号特征参数的分析，16QAM、64QAM相比于其他调制方式的模值和相位组合特征信息更丰富，PSK信号包含多种相位状态，CPFSK、GFSK的包络幅度恒定，WBFM、AM-DSB、AM-SSB三种模拟调制信号与数字调制有所不同，其IQ数据采样点之间存在连续性。因此，根据调制方式的不同，利用神经网络可以先将10种待识别信号分为如下4个子类：{16QAM,64QAM}、{BPSK,QPSK,8PSK}、{CPFSK,GFSK}、{WBFM,AM-DSB,AM-SSB}，这样可以利用一级神经网络取得较为理想的类间分类效果。然后，针对各个子类内部信号的特点选取相应特征分别利用对应的二级神经网络进行类内分类：利用模值和相位信息对16QAM、64QAM进行区分，平方谱、四次方谱以及IQ数据对BPSK、QPSK、8PSK进行区分，傅里叶变换幅度谱和IQ数据对CPFSK、GFSK进行区分，IQ数据之间时序连续性的差异对WBFM、AM-DSB、AM-SSB进行区分。通过充分结合深度神经网络与专家先验特征两者优势，从而提高识别准确率。

卷积神经网络通过卷积捕捉输入信号的特征信息，应用于信号调制识别任务的效果优于传统的模式识别方法。通过增加网络深度来提取更为抽象的特征信息，从而提升神经网络的性能，但是随着网络层数不断增加，网络提取的特征信息会逐层减少，最终可能会造成梯度消失或者网络退化的问题。残差网络的提出缓解了在深度卷积神经网络中增加深度带来的这两个问题，通过跨层恒等映射的方式，将残差块单元输入与输出的特征向量直接相加，经过BN层的归一化操作和ReLu激活函数输出作为下一个残差块单元的输入，保证特征信息在通过残差块单元后至少不会减少。在残差网络的基础上将软阈值化与深度学习相结合，利用深度残差收缩网络结构，将残差块单元提取的特征向量输入到一个软阈值化的子神经网络中，不需要任何专业的先验知识，通过训练自动调制阈值，将不重要的特征置零，然后与输入的特征向量相拼接，可以有效地消除噪声影响，如图7所示。其中，C表示输入特征的通道数量，W表示输入特征的宽度，H表示输入特征的高度，K表示卷积层中卷积核的数量。软阈值化一直被用于信号去噪，将信号进行转换，使得近零部分为无用的噪声，应用软阈值化将其剔除，再进行重构实现降噪。软阈值化的公式可以表示为：

式中，x表示输入的特征，y表示输出的特征，τ表示阈值。

同时，软阈值化函数的导数公式如下：

软阈值化处理过程如图6中的(a)所示，其导数为1或0，可以有效防止梯度消失或者爆炸，如图6中的(b)所示。

LSTM在处理有记忆的时序数据比CNN的效果更好，主要是因为LSTM中引入gate机制，可以选择性地遗忘不重要的特征信息以及保留有效特征信息。作为LSTM网络的变体，双向长短期记忆神经网络(Bi-directional LSTM，Bi-LSTM)的原理是通过将输入序列分别从正向和逆向输入至2个LSTM中，将2个输出向量合并成所提取的特征向量，使得t时刻的特征向量能够同时拥有前面时刻和后面时刻的信息，更好地结合上下文信息。实验证明，与单个LSTM网络对比，Bi-LSTM对时序特征的提取效率和性能更优越。本案实施例中，采用改进的CLDNN和CNN作为主体网络模型，如图8所示，卷积层部分,因为网络的输入是有限的信号特征信息，卷积核尺寸不宜设置过大，所以采用1×3卷积核，同时没有设置池化层。结合通道共享阈值的残差收缩网络模块(RSBU-CW)降低噪声影响，可以更有效地捕捉信号特征。CLDNN网络中结合Bi-LSTM，进一步提取信号时序特征，最后全连接层部分添加dropout层和BN层防止过拟合，实现分类识别。

进一步地，本案实施例中，收集已知调制类别的信号样本数据中，首先，采用MATLAB仿真生成若干种调制类别的数字模拟信号，信号码元随机生成且相互独立，按预设信号与噪声功率比范围添加高斯白噪声，生成对应调制类别的信号样本数据；然后，将信号样本数据按预设比例划分为训练集和测试集，利用训练集和测试集中的信号样本数据分别对信号调制识别模型进行训练和测试，以获取用于对目标信号进行调制识别的信号调制识别模型。

可利用MATLAB仿真生成所需的10种调制信号{16QAM、64QAM、BPSK、QPSK、8PSK、CPFSK、GFSK、WBFM、AM-DSB、AM-SSB}。信号码元随机生成且相互独立，对于数字调制类型，八个采样点表示一个符号。成型滤波器和匹配滤波器采用滚降系数为0.35的根升余弦滤波器，每帧信号的长度为512点，采样率为200kHz。加入高斯白噪声，信号与噪声的功率比(即每个采样点上的信噪比，SNR)的范围为-20～18dB，每隔2dB每个类别产生500个样本，按照8:2比例划分训练集和测试集。

进一步地，基于上述的方法，本发明实施例还提供一种联合深度神经网络和专家先验特征的信号调制识别方法，包含：模型构建模块和目标识别模块，其中，

模型构建模块，用于构建信号调制识别网络模型并利用已知信号调制类别的信号样本数据进行模型训练，其中，信号调制识别网络模型包含：用于依据特征参数的不同进行类间分类的一级神经网络，及与一级神经网络连接用于针对不同的特征参数类间分类结果通过提取对应子类内部信号特征进行类内分类的二级神经网络，该二级神经网络数量与特征参数类间分类个数一致；

目标识别模块，用于依据对信号先验信息依赖程度和区分度选取多个用于信号调制识别的目标信号特征参数；将选取的目标信号特征参数作为模型输入，利用已训练的信号调制识别网络模型来识别目标信号的调制类别。

为验证本案方案有效性，下面结合试验数据做进一步解释说明：

实验仿真环境：GPU为NVIDIA GeForce RTX 2060，CPU为Intel(R)Core(TM)i7-10875H CPU@2.30GHZ，内存为16GB。网络框架为PyTorch 1.8。

CLDNN和CNN网络模型对4个信号类别进行测试，图9为不同调制类别在测试集上随信噪比变化的识别准确率。对于数字调制方式，CNN和CLDNN的识别准确率相近；对于模拟调制方式，CLDNN相比CNN的识别准确率提升近15％。因为模拟调制信号的采样点之间存在一定的连续相关性，CLDNN网络能够利用Bi-LSTM提取出模拟信号的相关性特征信息，所以数字调制方式的分类识别采用CNN网络，模拟调制方式的分类识别采用CLDNN网络。

利用MATLAB仿真产生的数据集对本案方案所提出的算法进行测试，并与其他网络模型进行对比。表1为不同网络模型在测试集上的整体识别准确率(CNN4是指四层卷积神经网络，CNN6是指六层卷积神经网络)，卷积层加入残差收缩网络模块，在测试集上的识别准确率提高了1.48％，说明残差收缩网络模块通过软阈值化，可以有效地抑制噪声。再增加两层卷积层识别率提高3.87％，说明网络层数的增加可以提升模型性能。卷积残差收缩网络结合Bi-LSTM，整体识别准确率提高至71.50％，性能的提升主要由于Bi-LSTM可以提取模拟信号的相关性特征，进而提高模拟信号的分类识别效果。本案实施例中所提出的算法相比直接用CLDNN分类识别，识别准确率提高了1.51％，可以看出根据不同的信号类别特点选取区分度较高的特征参数作为网络输入，有助于提升识别准确率。

表1不同网络模型的整体识别准确率

图10为不同网络模型在测试集上随信噪比变化的识别准确率，本案实施例中所提出的算法在信噪比0dB以上时，识别准确率可以达到90％以上。但是随着信噪比下降，信噪比在-14dB以下，性能提升不是很明显。因为在低信噪比的情况下，噪声强度远大于信号强度，造成信号特征信息的严重丢失。

在实验仿真中加入多径衰落信道和频偏的影响，信道模式为莱斯(Rician)衰落信道模型，多径数为3，多径各路径的时延矢量分别为0,2,4个码元，平均信道增益矢量分别为0，-2，-10dB。频偏在-200～200Hz之间随机选择。通过实验对比，可以发现CLDNN相比于CNN，对不同调制方式的信号识别准确率都有所提升，如图11所示。由于多径信道的影响，接收到的信号存在时序相关性，而CLDNN中引入Bi-LSTM，能够提取出多径信道的时序信息，所以在多径衰落信道环境下，采用CLDNN作为分类识别的网络。

从图12中可以看出，引入莱斯信道和频偏的影响后，信号识别数据集的整体识别准确率有所下降。但是在信噪比-10dB以上，本案实施例中所提出算法的识别准确率要优于表1中提到的CLDNN(RSBU-CW+Bi-LSTM)，整体识别率提升3％左右，进一步验证了针对不同调制类别特点选取信号特征参数作为网络输入，有助于提升识别准确率。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种联合深度神经网络和专家先验特征的信号调制识别方法，其特征在于，包含如下内容：

构建信号调制识别网络模型并利用已知信号调制类别的信号样本数据进行模型训练，其中，信号调制识别网络模型包含：用于依据特征参数的不同进行类间分类的一级神经网络，及与一级神经网络连接用于针对不同的特征参数类间分类结果通过提取对应子类内部信号特征进行类内分类的二级神经网络，该二级神经网络数量与特征参数类间分类个数一致；

依据对信号先验信息依赖程度和区分度选取多个用于信号调制识别的目标信号特征参数；将选取的目标信号特征参数作为模型输入，利用已训练的信号调制识别网络模型来识别目标信号的调制类别。

2.根据权利要求1所述的联合深度神经网络和专家先验特征的信号调制识别方法，其特征在于，一级神经网络为包含依次连接的卷积网络CNN、双向长短期记忆神经网络Bi-LSTM和完全连接网络DNN的深层神经网络结构CLDNN，信号特征参数作为一级神经网络输入，首先通过卷积网络CNN对输入数据的频域*时域进行卷积处理，然后利用双向长短期记忆神经网络Bi-LSTM提取卷积处理后信号时序特征，利用完全连接网络DNN将提取的信号时序特征转化到分离空间进行分类。

3.根据权利要求2所述的联合深度神经网络和专家先验特征的信号调制识别方法，其特征在于，所述二级神经网络均采用深层神经网络结构CLDNN，或采用数字信号调制识别的深层神经网络结构CLDNN及模拟信号调制识别的的卷积网络CNN的并列组合网络。

4.根据权利要求2或3所述的联合深度神经网络和专家先验特征的信号调制识别方法，其特征在于，在卷积网络CNN中，利用通道共享阈值的残差收缩网络，将残差收缩网络中残差块单元输入与输出的特征向量相加，经过批量归一化层的归一化操作和ReLu激活函数处理后作为残差收缩网络中下一个残差块单元的输入，利用残差收缩网络来捕捉输入的信号特征。

5.根据权利要求4所述的联合深度神经网络和专家先验特征的信号调制识别方法，其特征在于，残差收缩网络中残差块单元利用软阈值化子神经网络来自动调制用于消除噪声的阈值，其中，软阈值化子神经网络的软阈值化处理过程表示为：

其中，x表示输入的特征，y表示输出的特征，τ表示阈值。

6.根据权利要求1所述的联合深度神经网络和专家先验特征的信号调制识别方法，其特征在于，收集已知调制类别的信号样本数据中，首先，采用MATLAB仿真生成若干种调制类别的数字模拟信号，信号码元随机生成且相互独立，按预设信号与噪声功率比范围添加高斯白噪声，生成对应调制类别的信号样本数据；然后，将信号样本数据按预设比例划分为训练集和测试集，利用训练集和测试集中的信号样本数据分别对信号调制识别模型进行训练和测试，以获取用于对目标信号进行调制识别的信号调制识别模型。

7.根据权利要求1所述的联合深度神经网络和专家先验特征的信号调制识别方法，其特征在于，信号特征参数至少包含：IQ数据采样点、模值和相位组合、傅里叶变换幅度谱、平方谱及四次方谱。

8.一种联合深度神经网络和专家先验特征的信号调制识别方法，其特征在于，包含：模型构建模块和目标识别模块，其中，

模型构建模块，用于构建信号调制识别网络模型并利用已知信号调制类别的信号样本数据进行模型训练，其中，信号调制识别网络模型包含：用于依据特征参数的不同进行类间分类的一级神经网络，及与一级神经网络连接用于针对不同的特征参数类间分类结果通过提取对应子类内部信号特征进行类内分类的二级神经网络，该二级神经网络数量与特征参数类间分类个数一致；

目标识别模块，用于依据对信号先验信息依赖程度和区分度选取多个用于信号调制识别的目标信号特征参数；将选取的目标信号特征参数作为模型输入，利用已训练的信号调制识别网络模型来识别目标信号的调制类别。

Images