具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

参照图1-图15所示，本发明公开了一种针对无线通信的自定义卷积神经网络调制识别方法，包括以下步骤：

步骤一、获取初始信号,对初始信号进行I-Q调制并将I-Q调制后的信号映射至I-Q平面。

步骤二、根据输入矩阵尺寸将I-Q平面划分为M×M大小的网格，获得预处理后的数据，其中，每个网格代表对应输入矩阵的数值。

其中，网格的数值大小计算如下：

其中，在I-Q平面内，K表示网格中包含的信号样本r_I(k)+r_Q(k)的个数，每个网格内计算得出的值G(x,y)代表对应二维矩阵的单元，(x,y)表示网格的中心点值，l表示网格中心值到网格边缘的距离，所有的信号长度为N。网格所占区域的大小设定为±1.75的范围。

步骤三、构建卷积神经网络，对卷积神经网络的卷积核进行初始化设计。其中，卷积神经网络，包括依次设置的：第一卷积层、第一池化层、第二卷积层、全局平均池化层和全连接层。第一卷积层包括8个卷积核，每个卷积核的特征图像以5×5大小的方式与输入相连。第二卷积层包括240个卷积核，每个卷积核的特征图像以15×15大小的方式与第一池化层输出的每个特征图像相连。

对卷积神经网络的卷积核进行初始化设计，包括对第一层卷积层的卷积核和第二层卷积层的卷积核进行初始化设计。

(1)对第一卷积层的卷积核进行初始化：

其中，K(c_x,c_y)是以(c_x,c_y)为核心生成的卷积核矩阵，K(c_x,c_y)的每一个单元以k_pq表示，字符σ是方差，x和y表示矩阵的坐标；

通过改变(c_x,c_y)的数值就能够产生多个符号位周围不同方向的渐变形式。

对第一卷积层的卷积核进行初始化采用均匀分布方式和定制初始化结合的方法。

采用定制初始化的方法对卷积核处理，获得定制初始化卷积核分布状态后，根据训练的对象优化权值的数值大小。

(2)对第二卷积层的卷积核进行初始化：

每个二维高斯分布对应着一个调制符号位周围数据样本的分布，根据调制模式的不同调制符号位生成对应位置的二维高斯分布，将同一种调制模式的二维高斯分布叠加在一起作为对应调制模式的卷积核权值。

步骤四、使用预处理后的数据对卷积神经网络进行训练，获得训练后的卷积神经网络。

步骤五、通过训练后的卷积神经网络对信号的调制类型进行识别分类。

本发明公开了一种针对无线通信的自定义卷积神经网络调制识别系统，包括信号预处理模块、神经网络模型构建模块、训练模块和识别模块。

信号预处理模块用于获取初始信号,对初始信号进行I-Q调制并将I-Q调制后的信号映射至I-Q平面，根据输入矩阵尺寸将I-Q平面划分为M×M大小的网格，获得预处理后的数据，其中，每个网格代表对应输入矩阵的数值。神经网络模型构建模块用于构建卷积神经网络，对卷积神经网络的卷积核进行初始化设计。训练模块使用预处理后的数据对卷积神经网络进行训练，获得训练后的卷积神经网络。识别模块通过训练后的卷积神经网络对信号的调制类型进行识别分类。

本发明的上述技术方案相比现有技术具有以下优点：

1、本发明提出了一种将一维通信信号转换到二维分布密度谱的预处理方式，解决了通信信号应用于卷积神经网络输入的转化问题。

2、本发明设计的卷积神经网络对调制识别特定应用场景具有针对性，相比于大型的经典卷积神经网络在在大幅减低复杂度的同时，保证了识别精度；相比于小型卷积神网络，其训练时间效率和精度都有提升；在已知信噪比段范围内具有盲调制识别能力，并且具有良好的鲁棒。

下面，结合具体实施例对本发明的技术方案做进一步说明与解释。

步骤一，信号预处理：

如图2的示意图所示，根据所需的输入矩阵尺寸将I-Q平面划分为M×M大小的网格，每个网格代表着对应输入矩阵单元的数值。网格数值大小可以根据如下公式的计算方式得到。

其中在I-Q平面内，K表示网格中包含的信号样本r_I(k)+r_Q(k)的个数，每个网格内计算得出的值G(x,y)代表对应二维矩阵的单元，(x,y)表示网格的中心点值。l表示网格中心值到网格边缘的距离。所有的信号长度为N，网格所占区域的大小设定为±1.75的范围。

步骤二，卷积神经网络的结构的设计：

如图3所示是所设计的基于卷积神经网络的调试识别网络模型。其中卷积层采用Cx表示，池化层采用Px表示，全连接层采用Fx表示，其中x表示自上而下顺序的索引。总的结构详情如下：

卷积层C1包含8个卷积核特征图像。每个卷积核特征图像都以5×5大小的方式与输入相连。通过卷积核优化过滤后，输出一个32×32的特征图像。

池化层P2会输出8个16×16大小的特征图像。它的每一个图像由C1中输出的特征图像以2×2大小的方式下采样得到。根据3.2.3小节的分析，这里沿用了平均池化作为下采样方式。

卷积层C3拥有240个卷积核特征图像。每个特征图像都以15×15大小的方式与P2输出的每个特征图像相连。这里采用240个不同的卷积核特征图像是基于模型精度的要求。通过卷积核优化过滤后，输出240个2×2大小的特征图像。

全局平均池化层P4会输出240个1×1特征图像。每个特征图像都是以2×2大小的方式对C3输出的每个特征图像下采样得到，同样采用平均池化。这里采用的全局平均池化是一种强制映射转化特征的方式，这种方式并不需要对参数进行后续的优化。因此，这种方式更加适合卷积结构并且有一定预防过拟合的能力。

F5层包含240个神经元，F6层有120个神经元并且与F5以全连接的方式连接。最后，F6层后接一个4分类的输出层。

步骤三，定制卷积核初始化：

第一层卷积核初始化：第一层卷积核的初始化需要适应于信号调制符号位边缘的渐变部分。也就是说，初始化算法需要产生一种针对调制符号位边缘渐变的高响应卷积核权重。为此，使用以下算法来初始化卷积核权值。

其中K(c_x,c_y)是以(c_x,c_y)为核心生成的卷积核矩阵。K(c_x,c_y)的每一个单元以k_pq表示。字符σ是方差，x和y表示矩阵的坐标。由公式可知，K(c_x,c_y)实际上就是一个二维高斯分布的一部分。矩阵内数值随着(c_x,c_y)的中心渐变降低。这正好符合针对调制符号位边缘渐变的形式。并且通过改变(c_x,c_y)的数值就可以产生多个符号位周围不同方向的渐变形式。

最后为了保证第一层提取特征的多样性，如图4所示采用均匀分布随机初始化方式和定制初始化结合的方法。其中定制初始化卷积核分布状态生成后，需要根据训练的对象优化权值的数值大小。

第二层卷积核初始化：

表1

表1为第二个卷积层卷积核权重初始化流程，这里采用一种叠加的二维高斯分布来模拟第二个卷积层的卷积核权重。每一个二维高斯分布对应着一个调制符号位周围数据样本的分布，根据调制模式的不同调制符号位生成对应位置的二维高斯分布，再将同一种调制模式的二维高斯分布叠加在一起作为对应调制模式的卷积核权值。

其中定制初始化卷积核分布状态生成后，需要根据训练的对象优化权值的数值大小。

步骤四，训练网络：

如图2的系统初始化模块所示，将步骤一预处理后的数据放入所设计的并且卷积核初始化完成的

卷积神经网络模型进行训练，训练后保存模型。

步骤五，调制模式识别：

如图2的运行系统模块所示，将步骤一预处理后的数据放入训练好的模型，进行信号调制类型的识别分类。

下面，通过仿真实验来验证本发明的技术效果。

仿真实验阶段包含的4种调制信号以及其具体的参数见表2,表2为候选调制模式的参数表。其中卷积神经网络训练时样本有两种类型。一是已知单信噪比样本，指的是在训练时样本只包含同一信噪比条件下的数据集。二是已知信噪比段样本，指的是在训练时样本包含了在指定区间内以1dB为间隔组成的数据集。

表2

模型初始化参数如表3。

表3

卷积核初始化后权值大小的优化，详见表4和表5。

表4

表5为已知信噪比段下的数值优化方式。

表5

实验分别和最大似然估计方法(ML)(精度参照基准)，Kolmogorov-Smirnov(KS)检验，AlexNet以及LeNet方法进行了比较。也分析了添加自定义卷积核的实验效果，表6展示了所设计神经网络模型AMCNet添加不同的卷积核初始化方式的表示形式。其中信道环境均是在高斯信道的条件下进行。其中卷积神经网络优化器均使用Adam，具体参数如下：

lr＝0.0001,β1＝0.9,β2＝0.9,epsilon＝10^-8,decay＝0.001。

LeNet和所设计的模型AMCNet批量训练大小为1024，Al exNet批量训练大小为256。神经网络均是训练100轮次(epoch)，保留最优验证精度下的模型。

表6

如图5所示，所有调制方法都是在已知单个信噪比信息进行的测试平均分类精度。所设计的方法AMCNet-T优于KS，接近ML，并在大于8dB时趋于一致。在1到7dB和-4-到-3dB时优于AlexNet模型，在4dB时最多达到了3.25％精度的差距。其余信噪比时精度相似。

如图6，8，9，10所示，所有调制方法都是在已知信噪比段，已知信噪比段意味着测试数据只知道只知道属于什么信噪比段，而不知道具体的信道信息，对于经典的方法采用信噪比段的中值作为假设信道信息。从图中可以看到，对于经典的方法由于其调制识别时依赖精确的信道信息，因此测试偏离假设信道信息的样本时，测试精度会急剧下降。采用卷积模型的方法整体平稳，随着信噪比的提升测试精度大体平稳上升。图6，图7中AMCNet-T整体精度优于AlexNet。图6中，已知属于信噪比段-4dB-0dB，其中ML和KS以-2dB作为假设信道信息。图8中可以看到AlexNet训练的模型过于集中于高信噪比段的样本数据的识别，忽略的低信噪比段的数据。而AMCNet-T模型测试精度整体较为平稳，训练的模型对于不同的信噪比的数据都有很好的兼顾，说明了模型在一段信噪比段内除了有一定盲调制能力，同时有良好的鲁棒性。

如图10所示，展示不同卷积神经网络方法在训练单个信噪比数据后的测试精度。所有的方法在大于8dB后测试精度趋于一致。在-4-8dB时AMCNet-T整体的测试精度优于其他方法。其中在-4-1dB时优于AMCNet-N方法，说明在低信噪比阶段添加了定制化卷积核的方法会提高模型的精度。在-4-7dB时测试精度整体优于LeNet。在1到7dB和-4-到-3dB时优于AlexNet模型，在4dB时最多达到了3.25％精度的差距。LeNet在低信噪比-4到0dB时测试精度较差，说明LeNet较容易被噪声干扰模型精度。与此同时，AlexNet在高信噪比1到7dB时测试精度较差，说明由于AlexNet模型参数众多，对于相对简单的任务容易产生过拟合导致模型精度下降。而AMCNet-T正好同时解决了这两个问题。

如图11所示，分别对已知不同信噪段的数据进行训练，并所包含的信噪比段的数据进行了测试。AMCNet-T除了8和9dB时在大部分信噪比段的测试精度是最优的。对于AlexNet来说在训练6-10dB信噪比数据段时，模型过于偏向高信噪比，因此在9dB会优于AMCNet-T的测试精度。而对于LeNet来说，这种模型训练过程偏向于某一信噪比数据的现象更为明显，由于是在训练1-5dB和6-10dB的数据时，其测试精度曲线可以看见在4dB和5dB，8dB和9dB之间波动较大。而未添加定制卷积核的方法AMCNet-N测试精度有所欠缺，并且也会有一点训练模型偏向某一信噪比的现象。

如表7所示，展示不同模型训练的参数。添加定制化卷积核的所设计模型所获得的精度高，结合单个样本训练时间和训练轮次，所设计模型的训练效率也是最高的。

表7

如图12所示，对于单信噪比训练的模型，其测试精度AMCNet-T优于AMCNet-F和AMCNet-S。AMCNet-F和AMCNet-S优于AMCNet-N。这说明了在-4dB到2dB时添加定制化卷积核均可以提升模型的测试精度，并且同时添加两层定制化卷积核其测试精度会更优，在-3dB时相对于不添加定制化卷积核有2.76％的提升。而大于2dB后由于接收信号噪声变少，所设计模型在不同卷积核初始化条件下都可以较好地进行训练，其测试精度提升就不明显。

如图13所示，是模型在0dB时验证精度曲线，可以看到随机初始卷积核地AMCNet-N模型20轮很快就陷入局部最优，而添加了定制卷积核的模型在30轮后获得了相似的验证精度，添加一层定制化卷积核的模型进一步学习后在40轮后获得最优精度，添加了2层定制化卷积核的模型AMCNet-T，在60轮后获得了最优的验证精度比AMCNet-N高了1.84％。

如图14所示，是模型在不同信噪比段数据训练的测试结果柱状图，可以看到整体的测试精度基本上呈现添加两层定制化卷积核的AMCNet-T优于添加一层定制化卷积核的AMCNet-F和AMCNet-S。而仅添加一层定制化卷积核的模型要优于使用随机初始化卷积核的模型AMCNet-N。其中AMCNet-T分别在-4dB-0dB，1dB-5dB和6dB-10dB相比AMCNet-N有0.88％，1.45％和0.66％的测试精度提升。在11dB-15dB由于信号样本噪声较少特征较为明显，其测试精度在有限的测试条件下接近100％。

如图15所示，已知信噪比段6dB-10dB时所设计模型加载不同卷积核初始化方式的的验证精度曲线。首先，添加两层自定义卷积核的AMCNet-T在训练这组信噪比段的数据时全程保持了验证精度的优势。其次，添加第一层定制卷积核初始化的AMCNet-F全段稍微逊色于AMCNet-T。而AMCNet-S虽然一开始测试精度要差于AMCNet-N，但是模型由于有一个良好初始训练方向，在60轮后得以继续学习并超过了AMCNet-N。由此可见，添加两层定制化卷积核相比于随机初始化都可以引导模型往更优的解方向训练，避免模型陷入局部最优。最后，在综合应用两层定制化卷积核后，模型相同轮次可以获得更好的验证精度，模型效率得到了提升，并且模型的最后的验证精度也得到提升。值得注意的是，相比于图14，图14的测试精度是要优于图15的验证精度的，这是由于测试样本是以每0.5dB间隔生成的数据，测试结果会稍微高点。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。