CN115994303A - 一种残差神经网络模型及其信号调制识别方法 - Google Patents
一种残差神经网络模型及其信号调制识别方法 Download PDFInfo
- Publication number
- CN115994303A CN115994303A CN202310293400.5A CN202310293400A CN115994303A CN 115994303 A CN115994303 A CN 115994303A CN 202310293400 A CN202310293400 A CN 202310293400A CN 115994303 A CN115994303 A CN 115994303A
- Authority
- CN
- China
- Prior art keywords
- residual
- neural network
- network model
- layer
- signal
- 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.)
- Pending
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 32
- 238000011176 pooling Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 230000009191 jumping Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 10
- 235000004257 Cordia myxa Nutrition 0.000 claims description 4
- 244000157795 Cordia myxa Species 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006735 deficit Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种残差神经网络模型及其信号调制识别方法，包括6层残差栈及两次全连接，第一层全连接节点为128，第二层全连接节点为24；每个残差栈设计包含1次线性卷积层、3个残差单元和1次最大池化，残差单元中经一次线性整流函数激活的卷积操作后，输入数据与输出结果跳跃连接；残差栈输入为维度1024*2的数据，卷积层为含32个滤波器的1*1窗口卷积；第一层残差栈卷积核为(3,2)，最大池化为(2,2)；输出维度为512*1后，第二层至第六层残差栈卷积核均为(3,1)，最大池化均为(2,1)；将维度1024*2的采样信号数据输入训练好的残差神经网络模型，输出即为识别的调制类型。本发明在实现自动特征学习的同时，识别精度优于现有模型，训练时长大幅缩短，有效降低了硬件算力需求。
Description
技术领域
本发明涉及电磁信号识别技术领域，尤其是一种残差神经网络模型及其信号调制识别方法。
背景技术
电磁信号识别，是电磁环境感知与处理的基础，也是进一步进行环境治理、电子对抗等活动的前提。信号识别具体可再分为信号调制识别、工作模式识别、辐射源个体识别等多个内容。其中，信号调制识别主要通过对信号的频域、时域等特征进行提取和处理，从而获得信号的调制方式，之后为工作模式识别、辐射源个体识别等工作提供先验信息输入，因此是信号识别的基础支撑技术。
在早期的信号环境中，辐射源数量少、信号制式简单。随着技术发展，电磁辐射源越来越密集、信号调制类型越来越多。如高性能数字调制技术QAM（Quadrature AmplitudeModulation），其因频谱利用率高等优点近几十年来一直发展创新，第四代移动通信(4G)中使用了可变阶数的QAM调制，上下行支持64QAM，发展到第五代移动通信(5G)，将采用256QAM或更高阶数调制。在军事应用中，为提高电子对抗能力，各国专家陆续研制多种调制方式使信号难以被截获识别，各种电子作战设备基于不同功能也开始使用更多调制方式。信号调制类型的增多以及复杂度的提高让电磁信号调制识别比以往愈发困难。
一般认为，类型越多分类难度越大。高阶信号的复杂度随阶数增加而提高，混合多种类型高阶信号将大大增加识别难度。目前对多类型混合信号的调制识别研究还比较少，现有技术1中记载了一个包含24类信号的大规模I/Q信号数据集，包含常见数字信号、模拟信号以及多种高阶信号等。与其他数据集不同，这些信号在包含载波频率偏移、符号速率偏移和延迟扩展等损伤的信道环境中捕获，所受影响都比加性高斯白噪声更大，识别难度也更大，更为真实地模拟了开放环境中电磁信号场景。其中一种基于残差神经网络的自动特征学习识别算法，实验取得了24类信号在10dB时95.6%的识别准确率，但其模型参数约有24万，硬件要求高，模型训练时长达14小时。
现有技术2中一种新的基于累积极性特征的深度学习识别方法，通过设计基于神经网络的信道估计器，用以补偿实际信道中的失真信号，其实现了高信噪比范围超过4%的识别准确率提升，并有效降低了内存开销和计算复杂度，但其在低信噪比范围内识别效果欠佳。现有技术3中就无线信道各种损伤下的无线电信号调制分类提出一种新的卷积神经网络MCNet，通过在卷积块中并行排列不对称内核以及在卷积块之间跳跃连接，取得了对24类信号20dB时超过93%的识别准确率，相比现有技术1减少约40%模型参数，但由于在整个网络中进行了多次加法操作和深度级联操作，训练时间并未减少。现有技术4中还通过主成分分析（PCA）程序将特征数据投影到不相关变量子集中，结合卷积神经网络进行调制识别，实验讨论了采用主成分分析降维的性能损失，此算法分类结果优于现有技术1，但主成分分析过程需要大量特征计算。
发明内容
针对现有技术存在的问题，本发明的目的在于提供一种残差神经网络模型，其优化了模型中残差单元以及卷积过程中的池化窗口大小，在取得模型识别高精度的同时，实现了对网络轻量化的优化。本发明的另一目的在于提供一种实施上述残差神经网络模型的信号调制识别方法。
为实现上述目的，本发明一种残差神经网络模型，包括6层残差栈及两次全连接，其中，每经一次线性整流函数激活的卷积操作后，输入数据与输出结果跳跃连接一次，形成一个残差单元；每个残差栈设计包含1次线性卷积层、3个残差单元和1次最大池化；
采用输入维度为1024*2的I/Q信号数据，卷积层为含32个滤波器的1*1窗口卷积；第一层残差栈卷积核为(3,2)，最大池化为(2,2)；输出维度为512*1之后，第二层至第六层残差栈卷积核均为(3,1)，最大池化均为(2,1)；第一层全连接节点为128，第二层全连接节点为24。
进一步，所述残差神经网络模型训练采用RADIOML 2018.01A数据集，该数据集包含24种调制方式的信号数据；将维度1024*2的采样信号数据输入训练好的残差神经网络模型，输出即为识别的调制类型。
进一步，所述残差单元中线性整流函数为ReLU函数。
进一步，所述ReLU函数的函数表达式为：
其中，
为输入的任意实数，
为取
和
两者的较大者。
进一步，所述残差栈使用扩展指数线性函数：SeLU函数，并设置AlphaDropout为0.3。
进一步，所述SeLU函数的函数表达式为：
其中，
为输入的任意实数，
，
，e为自然常数。
进一步，所述模型的训练过程使用Adam优化器，交叉熵损失函数，其函数表达式为：
其中，
是类别
的真实标签，
是某样本
属于类别
的概率，
是类别数量，
是样本总数。
进一步，所述残差神经网络模型采用RADIOML 2018.01A数据集，包含OOK、4ASK、8ASK、BPSK、QPSK、8PSK、16PSK、32PSK、16APSK、32APSK、64APSK、128APSK、16QAM、32QAM、64QAM、128QAM、256QAM、AM-SSB-WC、AM-SSB-SC、AM-DSB-WC、AM-DSB-SC、FM、GMSK、OQPSK共24种调制方式。
进一步，每种调制方式包含-20dB~30dB间隔2dB共26种信噪比，每种信噪比下包含4096条样本数据，每条样本数据包含I/Q两路信号，每路信号包含1024个采样点。
进一步，所述残差神经网络模型中采用的学习率Learning rate=0.001。
进一步，所述残差神经网络模型训练时在数据集中每种调制方式随机抽取2048条样本数据，每次送入网络训练的批大小为1024，训练轮次为40，使用早停操作。
一种信号调制识别方法，该方法中实施上述残差神经网络模型。
本发明中，设置了一种面向24类信号类型的残差神经网络模型，优化了该模型中残差单元以及卷积过程中的池化窗口大小，在取得模型识别高精度的同时，实现了对网络轻量化的优化。此模型在实现自动特征学习的同时，识别精度优于现有模型，训练时长大幅缩短，且有效降低了硬件算力需求。
附图说明
图1为残差单元结构示意图；
图2为残差栈结构示意图；
图3为残差网络整体结构示意图；
图4为各类信号识别准确率示意图；
图5为现有技术1中分类识别准确率示意图；
图6为本模型中信噪比8dB识别归一化混淆矩阵图；
图7为本模型中信噪比10dB识别归一化混淆矩阵图；
图8为本模型中信噪比12dB识别归一化混淆矩阵图；
图9为现有技术1中模型识别准确率与训练集数量关系；
图10为本模型与现有技术1模型综合识别准确率对比图；
图11为部分高阶信号识别准确率对比图。
具体实施方式
下面将结合附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
本发明一种残差神经网络模型，首先根据多类型高复杂度信号数据集特点，优化设计了残差单元及残差栈，同时优化卷积过程中池化窗口大小，减少网络模型参数，配合防止过拟合技巧完成对残差神经网络的构建；其次实验验证此模型对多类型信号具有良好的调制识别效果，并可以有效缩短训练时长、降低硬件需求。
1、面向多类型高复杂度信号集的残差单元设计。
深度神经网络通过多层多次提取有效信息特征实现分类目的。因此，在面对多类型高复杂度的信号数据集时，我们需要利用将浅层信息传递到深层网络的手段充分发挥深度神经网络特征提取能力。
本发明在卷积过程中使用跳跃两层连接达到信息深层传递目的，设计的残差神经网络的残差单元结构如图1所示，每经一次线性整流函数（ReLU函数）激活的卷积操作后，输入数据与输出结果跳跃连接一次，此为一个残差单元。
所述ReLU函数的函数表达式为：
其中，
为输入的任意实数，
为取
和
两者的较大者。
相较于逻辑函数（Logistic sigmoid）和双曲函数（TanH）等，使用线性整流函数更加符合仿生学原理，能够更好地模拟神经元激活状态。虽然使用ReLU函数可能会存在神经元死亡的问题，但这种几率是很小的，梯度下降过程中涉及多个数据点，只要不是所有数据都为负，我们仍然可以从ReLU函数中获得一个斜率。学习率如果过大，可能会使损失函数直接越过全局最优点，容易发生梯度爆炸，loss 振动幅度较大，模型难以收敛。故本算法使用较低的学习率Learning rate=0.001，可以较好地缓解该问题。另一方面，与潜在的神经网死亡问题相比，模型稀疏性带来优势更加明显。
2、支撑深度神经网络的残差栈设计。
对包含类型多且复杂度高的信号集进行识别，我们需要在避免模型退化的前提下尽量加深网络的深度，方可取得较好识别效果，同时还需兼顾网络模型的训练效率。
残差栈结构如图2所示，经实验对比，3个残差单元实现了饱和的特征提取目的，可以在优化网络的同时保证高识别准确率。残差单元的继续增加已无法实现对识别结果的明显提升，反而将增大网络训练负担，降低训练效率。故每个残差栈设计包含1次线性卷积层、3个残差单元和1次最大池化。
为防止过拟合，模型使用SeLU函数并设置AlphaDropout（随机对负的饱和值进行激活，即使在dropout时也保持数据的自规范性）为0.3。训练过程使用Adam优化器，交叉熵损失函数。
所述SeLU函数的函数表达式为：
其中，
为输入的任意实数，
，
，e为自然常数。
所述交叉熵损失函数的函数表达式为：
其中，
是类别
的真实标签，
是某样本
属于类别
的概率，
是类别数量，
是样本总数。
3、网络构建。
残差网络整体结构如表1、图3所示，包含6层残差栈及两次全连接。采用输入维度为1024*2的I/Q信号数据，卷积层为含32个滤波器的1*1窗口卷积。第一层残差栈卷积核为(3,2)，最大池化为(2,2)。输出维度为512*1之后，第二层至第六层残差栈卷积核均为(3,1)，最大池化均为(2,1)，此步操作在保证提取数据特征最大化的同时，尽量减少网络参数、缩短训练时长。第一层全连接节点为128，第二层全连接节点为24。本算法设计的残差网络模型参数较现有技术1减少约20%。
表1 残差网络整体结构
模型训练中，设置每次送入网络训练的batch_size为1024，epochs为40，使用早停操作，patience（每轮记录一次损失值，连续patience次损失值不下降即提前停止训练）为10。测试集损失值val_loss达到早停要求，模型停止训练。
1、调制识别实验结果及分析：
1.1 数据集
实验采用DeepSig：RADIOML 2018.01A(NEW)数据集，包含OOK、4ASK、8ASK、BPSK、QPSK、8PSK、16PSK、32PSK、16APSK、32APSK、64APSK、128APSK、16QAM、32QAM、64QAM、128QAM、256QAM、AM-SSB-WC、AM-SSB-SC、AM-DSB-WC、AM-DSB-SC、FM、GMSK、OQPSK共24种调制方式，包括数字、模拟信号、以及部分高阶信号，每种调制方式包含-20dB~30dB间隔2dB共26种信噪比，每种信噪比下包含4096条样本数据，每条样本数据包含I/Q两路信号，每路信号包含1024个采样点。数据集大小为24*26*4096*1024*2。数据集考虑了载波频率偏移，符号率和多径衰落的影响，也考虑了干净信号的OTA传输信道，没有合成通道损伤。数字信号由具有一定滚降值的根升余弦脉冲整形滤波器整形。数据集中包含X、Y、Z三类，X为I/Q信号，Y为标签，Z为信噪比。在数据集中随机抽取一半数据，大小为24*26*2048*1024*2，共计约128万条数据进行实验，70%作为训练集，30%作为测试集。
1.2多类型信号识别结果及分析：
不同信噪比下24种调制模式识别准确率如图4所示，为了对比，图5给出了现有技术1分类识别准确率。对比两图，大部分信号类型识别准确率有所提高或持平。现有技术1中4ASK、32PSK、QPSK、OQPSK在0dB时识别准确率分别为67%、52%、73%、90%，而本模型识别准确率分别为89%、81%、92%、98%，提升显著。在信噪比为8dB时，OOK、4ASK、8ASK、BPSK、QPSK、8PSK、16APSK、32APSK、16QAM、AM-DSB-WC、FM、GMSK、OQPSK等13类信号识别准确率均在99%以上，32PSK、64APSK、AM-SSB-WC等3种信号识别准确率在95%以上。信号识别过程中出现曲线抖动现象，适当增大测试集数量可以缓解此问题但无法完全消除。对比现有技术1，分类识别图也存在类似抖动，应为数据集信号类型较多，模型训练以及识别过程相互影响所致。
图6为本模型中信噪比8dB识别归一化混淆矩阵图，图7为本模型中信噪比10dB识别归一化混淆矩阵图，图8为本模型中信噪比12dB识别归一化混淆矩阵图；除少部分高阶信号及载波存在调幅信号识别效果欠佳外，其它信号类型识别效果优秀。本模型可有效区别双边带调幅信号和单边带调幅信号，但倾向于将载波抑制混淆为载波存在，可以通过增加傅里叶变换操作解决此问题。
图9为现有技术1模型识别准确率与训练集数量关系，可见其模型在训练集为100万条数据时精度达到饱和，提高训练集至200万条没有显著收益。其利用先进的NvidiaV100在144万条数据中取得了在信噪比10dB时95.6%的测试集精度。本模型使用数据集共128万条，其中70%约90万条作为训练集，模型取得了在信噪比10dB时达95.3%，12dB时达96.2%的识别准确率，与现有技术1综合识别准确率对比如图10所示。考虑训练数据量大小与识别准确率的正相关，可视为本模型与其综合识别准确率相当，同时本模型在低信噪比下更加优秀。
1.3 残差网络深度对识别准确率的影响：
残差单元数量决定残差网络深度，本发明研究了残差栈中残差单元数量对模型识别准确率的影响。由实验结果可知，每个残差栈中使用3个残差单元时可达到最高识别准确率，增加残差单元数量无法使识别准确率继续提升。同时考虑残差单元数量对模型结构的影响，如表2所示，可见设置3个残差单元时参数为204,280，设置4个残差单元时参数增多约20%，这将对模型训练速度产生较大负面影响。
表2网络模型参数
需要指出的是，本模型对高阶信号的识别效果甚好，高阶信号常用于现实中高信噪比、低衰落信道环境，所以针对高阶信号的调制识别应不苛求低信噪比下的高识别准确率。对比现有技术1模型128APSK、128QAM、256QAM三类高阶信号，本模型表现优秀，在信噪比为8dB～18dB时三类高阶信号识别准确率对比如图11所示。现有技术中还有利用四阶累积量构造特征参数、计算零中心归一化瞬时幅度紧致性、进行减法聚类算法等操作对高阶信号进行调制识别，模型在信噪比为10dB时对128QAM、256QAM识别准确率分别为74%、76%。本模型在相同信噪比下已分别达到88%、88%，优势明显。
1.5 层归一化对LDCGAN+SVM识别效果的影响
硬件算力对比如表3所示，本模型与现有技术1模型所用硬件在FP16与FP32下表现能力对比分别为1:1.22和1:1.26，但本模型训练时长较其14小时缩短至2.3小时。在训练时长、模型参数上，本模型也优于现有技术1，硬件需求更低。
表3 硬件算力对比
Claims (10)
1.一种残差神经网络模型，其特征在于，包括6层残差栈及两层全连接，其中，第一层全连接节点为128，第二层全连接节点为24；每个残差栈包含1次线性卷积层、3个残差单元和1次最大池化，残差单元中经一次线性整流函数激活的卷积操作后，输入数据与输出结果跳跃连接；残差栈输入为维度1024*2的数据，卷积层为含32个滤波器的1*1窗口卷积；第一层残差栈卷积核为(3,2)，最大池化为(2,2)；输出维度为512*1之后，第二层至第六层残差栈卷积核均为(3,1)，最大池化均为(2,1)。
2.如权利要求1所述的残差神经网络模型，其特征在于，所述残差神经网络模型训练采用RADIOML 2018.01A数据集，该数据集包含24种调制方式的信号数据；将维度1024*2的采样信号数据输入训练好的残差神经网络模型，输出即为识别的调制类型。
3.如权利要求1所述的残差神经网络模型，其特征在于，所述残差单元中线性整流函数的表达式为：
其中，
为输入的任意实数，
为取
和
两者的较大者。
4.如权利要求1所述的残差神经网络模型，其特征在于，所述残差栈使用扩展指数线性函数：SeLU函数，并设置AlphaDropout为0.3。
5.如权利要求4所述的残差神经网络模型，其特征在于，所述SeLU函数的函数表达式为：
其中，
为输入的任意实数，
，
，e为自然常数。
6.如权利要求5所述的残差神经网络模型，其特征在于，所述残差神经网络模型的训练过程使用Adam优化器，交叉熵损失函数，其函数表达式为：
其中，
是类别
的真实标签，
是某样本
属于类别
的概率，
是类别数量，
是样本总数。
7.如权利要求1所述的残差神经网络模型，其特征在于，所述残差神经网络模型采用RADIOML 2018.01A数据集，包含OOK、4ASK、8ASK、BPSK、QPSK、8PSK、16PSK、32PSK、16APSK、32APSK、64APSK、128APSK、16QAM、32QAM、64QAM、128QAM、256QAM、AM-SSB-WC、AM-SSB-SC、AM-DSB-WC、AM-DSB-SC、FM、GMSK、OQPSK共24种调制方式，每种调制方式包含26种信噪比，26种信噪比以-20dB~30dB中依次间隔2dB形成，每种信噪比下包含4096条样本数据，每条样本数据包含I/Q两路信号，每路信号包含1024个采样点。
8.如权利要求1所述的残差神经网络模型，其特征在于，所述残差神经网络模型中采用的学习率Learning rate=0.001。
9.如权利要求1所述的残差神经网络模型，其特征在于，所述残差神经网络模型训练时在数据集中每种调制方式随机抽取2048条样本数据，每次送入网络训练的批大小为1024，训练轮次为40，使用早停操作。
10.一种信号调制识别方法，其特征在于，将维度1024*2的采样信号数据输入训练好的残差神经网络模型，输出即为识别的调制类型，该方法中实施如权利要求1-9中任一项所述的残差神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310293400.5A CN115994303A (zh) | 2023-03-24 | 2023-03-24 | 一种残差神经网络模型及其信号调制识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310293400.5A CN115994303A (zh) | 2023-03-24 | 2023-03-24 | 一种残差神经网络模型及其信号调制识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115994303A true CN115994303A (zh) | 2023-04-21 |
Family
ID=85992471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310293400.5A Pending CN115994303A (zh) | 2023-03-24 | 2023-03-24 | 一种残差神经网络模型及其信号调制识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115994303A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118312822A (zh) * | 2024-03-27 | 2024-07-09 | 中国人民解放军32021部队 | 一种特制卷积神经网络的弱监督无线电信号分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
| CN113962260A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 一种基于去噪深度残差网络的雷达信号智能分选方法 |
| CN114595729A (zh) * | 2022-04-01 | 2022-06-07 | 吉林大学 | 基于残差神经网络与元学习融合的通信信号调制识别方法 |
| US20220191066A1 (en) * | 2019-10-24 | 2022-06-16 | Beijing University Of Posts And Telecommunications | Method and apparatus for modulation recognition of signals based on cyclic residual network |
-
2023
- 2023-03-24 CN CN202310293400.5A patent/CN115994303A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220191066A1 (en) * | 2019-10-24 | 2022-06-16 | Beijing University Of Posts And Telecommunications | Method and apparatus for modulation recognition of signals based on cyclic residual network |
| CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
| CN113962260A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 一种基于去噪深度残差网络的雷达信号智能分选方法 |
| CN114595729A (zh) * | 2022-04-01 | 2022-06-07 | 吉林大学 | 基于残差神经网络与元学习融合的通信信号调制识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| GÜNTER KLAMBAUE,SEPP HOCHREITER等: "Self-Normalizing Neural Networks", Retrieved from the Internet <URL:https://arxiv.org/pdf/1706.02515.pdf> * |
| XIN TAN等: "A Residual Neural Network for Modulation Recognition of 24 kinds of Signals", 《2022 3RD INTERNATIONAL CONFERENCE ON COMPUTING, NETWORKS AND INTERNET OF THINGS (CNIOT)》 * |
| 龙翔天翼: "神经网络-激活函数 总结", Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/104378047> * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118312822A (zh) * | 2024-03-27 | 2024-07-09 | 中国人民解放军32021部队 | 一种特制卷积神经网络的弱监督无线电信号分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Deep neural network-based automatic modulation classification technique | |
| Dobre et al. | Cyclostationarity-based modulation classification of linear digital modulations in flat fading channels | |
| Zaerin et al. | Multiuser modulation classification based on cumulants in additive white Gaussian noise channel | |
| Xu et al. | Deep learning for over-the-air non-orthogonal signal classification | |
| Like et al. | Signal classification in fading channels using cyclic spectral analysis | |
| CN114422311B (zh) | 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 | |
| CN112380939B (zh) | 一种基于生成对抗网络的深度学习信号增强方法 | |
| CN110598677A (zh) | 一种用于自动调制识别的时空多通道深度学习系统 | |
| CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
| CN115994303A (zh) | 一种残差神经网络模型及其信号调制识别方法 | |
| Li et al. | Radio frequency fingerprinting exploiting non-linear memory effect | |
| CN107707497B (zh) | 基于减法聚类和模糊聚类算法的通信信号识别方法 | |
| Luan et al. | Attention based neural networks for wireless channel estimation | |
| Huynh-The et al. | RanNet: Learning residual-attention structure in CNNs for automatic modulation classification | |
| CN105763499B (zh) | 一种基于信号瞬时频率滑动平均的cpfsk调制识别方法 | |
| CN116318478A (zh) | 一种基于能效的归一化无人机频谱感知方法及系统 | |
| CN107682119A (zh) | 一种基于分组极值模型的mimo空时码识别方法 | |
| Jariwala et al. | Automatic modulation classification: A novel convolutional neural network based approach | |
| da Silva et al. | A Survey of PAPR Techniques Based on Machine Learning | |
| CN110266624B (zh) | 有干扰下的调制方式盲识别方法 | |
| De Souza et al. | A novel signal detector in MIMO systems based on complex correntropy | |
| Alzaq et al. | Wavelet preprocessed neural network based receiver for low SNR communication system | |
| Zheng et al. | Deep learning for cooperative radio signal classification | |
| Li et al. | A novel modulation classification for PSK and QAM signals in wireless communication | |
| Nerandžić et al. | Impact of AWGN estimation on classification performance of AMC algorithms based on higher order cumulants |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230421 |
|
| RJ01 | Rejection of invention patent application after publication |