本發(fā)明屬于信號識別，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的衛(wèi)星通信信號調(diào)制模式識別方法。

背景技術(shù)：

1、想獲得通信信號攜帶的信息，首要任務(wù)就是得知該信號的調(diào)制模式?；谶@一需求衍生出了通信信號調(diào)制識別技術(shù)，調(diào)制識別技術(shù)在現(xiàn)代的無線電通信中具有廣泛的應(yīng)用。調(diào)制識別是認知無線電中一個關(guān)鍵的技術(shù)環(huán)節(jié)，只有準確的識別通信信號的調(diào)制模式，才能更準確地檢測出信號的頻帶寬度等等重要信息，為之后的信號解調(diào)解碼譯碼等操作打下基礎(chǔ)。

2、在現(xiàn)有的衛(wèi)星通信信號調(diào)制模式識別方法中，衛(wèi)星通信信號的調(diào)制特征可以由信號的頻率，幅度，相位以及包絡(luò)等各個參數(shù)信息表現(xiàn)出來。因此可以通過對包絡(luò)高階特征，零中心歸一化瞬時頻率，零中心歸一化瞬時幅值，零中心歸一化瞬時相位等等特征的選擇和提取，并根據(jù)不同的調(diào)制方式在上述特征中表現(xiàn)出不同的特征值，從而設(shè)置相應(yīng)的判決門限，利用決策樹的方式，自頂而下根據(jù)選擇的特征逐一識別出每一類調(diào)制方式。這種方式由于經(jīng)常使用到信號的瞬時參數(shù)，因此很容易受到噪聲的影響，當信號的信噪比過低時，上述信號特征值就很難準確提取出來，導(dǎo)致識別準確率下降。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的衛(wèi)星通信信號調(diào)制模式識別方法，用以解決現(xiàn)有技術(shù)中調(diào)制模式識別準確率低的技術(shù)問題。

2、一種基于神經(jīng)網(wǎng)絡(luò)的衛(wèi)星通信信號調(diào)制模式識別方法，包括：

3、構(gòu)建用于識別衛(wèi)星通信信號調(diào)制模式的神經(jīng)網(wǎng)絡(luò)，并采用智能優(yōu)化算法對構(gòu)建的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之后，得到調(diào)制模式識別模型；

4、獲取待識別調(diào)制模式的衛(wèi)星通信信號，并對所述待識別調(diào)制模式的衛(wèi)星通信信號進行預(yù)處理，得到待識別信號特征；

5、以所述待識別信號特征作為所述調(diào)制模式識別模型的輸入，得到衛(wèi)星通信信號對應(yīng)的調(diào)制模式。

6、進一步地，構(gòu)建用于識別衛(wèi)星通信信號調(diào)制模式的神經(jīng)網(wǎng)絡(luò)，包括：

7、構(gòu)建順次連接的構(gòu)建輸入層、第一卷積層、第一relu激活函數(shù)層、第一最大池化層、第二卷積層、第二relu激活函數(shù)層、第二最大池化層、第三卷積層、第三relu激活函數(shù)層、第三最大池化層、第四relu激活函數(shù)層、全連接層以及softmax輸出層，得到用于識別衛(wèi)星通信信號調(diào)制模式的神經(jīng)網(wǎng)絡(luò)。

8、進一步地，采用智能優(yōu)化算法對構(gòu)建的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之后，得到調(diào)制模式識別模型，包括：

9、對構(gòu)建的神經(jīng)網(wǎng)絡(luò)的連接權(quán)重參數(shù)進行上下閾值區(qū)間的隨機初始化之后，得到權(quán)重參數(shù)向量，獲取多個不同的權(quán)重參數(shù)向量；

10、獲取樣本衛(wèi)星通信信號以及樣本衛(wèi)星通信信號對應(yīng)的樣本標簽，同時構(gòu)建與樣本衛(wèi)星通信信號以及樣本衛(wèi)星通信信號對應(yīng)的樣本標簽相關(guān)的損失函數(shù)，得到神經(jīng)網(wǎng)絡(luò)對應(yīng)的損失函數(shù)；

11、通過構(gòu)建的損失函數(shù)獲取每個權(quán)重參數(shù)向量對應(yīng)的損失函數(shù)值，并確定損失函數(shù)值最小的權(quán)重參數(shù)向量為最優(yōu)參數(shù)向量；

12、確定第i個權(quán)重參數(shù)向量對應(yīng)的第j維參數(shù)所對應(yīng)的當前搜索半徑rij；i＝1,2,…,i，i表示權(quán)重向量參數(shù)對應(yīng)的總數(shù)，j＝1,2,…,j，j表示權(quán)重向量參數(shù)的總參數(shù)維度；

13、以當前搜索半徑rij為限制，采用高斯分布隨機為第i個權(quán)重參數(shù)向量對應(yīng)的第j為參數(shù)產(chǎn)生n個候選解；

14、針對第i個權(quán)重參數(shù)向量對應(yīng)的第j維參數(shù)所對應(yīng)的n個候選解，確定第j維參數(shù)所對應(yīng)的第一最優(yōu)候選解，并根據(jù)第i個權(quán)重參數(shù)向量每個維度對應(yīng)的第一最優(yōu)候選解，構(gòu)建權(quán)重參數(shù)向量對應(yīng)的第一候選向量；

15、以所述權(quán)重參數(shù)向量對應(yīng)的第一候選向量以及最優(yōu)參數(shù)向量為基礎(chǔ)，產(chǎn)生第二候選向量；

16、針對第一候選向量以及第二候選向量，獲取對應(yīng)的當前搜索半徑內(nèi)的第二最優(yōu)候選解，并根據(jù)第二最優(yōu)候選解獲取更新后的第i個權(quán)重參數(shù)向量；

17、針對更新后的第i個權(quán)重參數(shù)向量，采用二階震蕩學(xué)習(xí)策略對權(quán)重參數(shù)向量進行二次更新，得到二次更新后的權(quán)重參數(shù)向量；

18、判斷訓(xùn)練次數(shù)是否大于最大訓(xùn)練次數(shù)，若是，則以二次更新后的權(quán)重參數(shù)向量獲取最優(yōu)權(quán)重參數(shù)向量，并將所述最優(yōu)權(quán)重參數(shù)向量作為神經(jīng)網(wǎng)絡(luò)的最終參數(shù)，得到調(diào)制模式識別模型，否則返回確定當前搜索半徑rij的步驟。

19、進一步地，構(gòu)建與樣本衛(wèi)星通信信號以及樣本衛(wèi)星通信信號對應(yīng)的樣本標簽相關(guān)的損失函數(shù)，包括：

20、針對樣本衛(wèi)星通信信號，構(gòu)建一個以樣本衛(wèi)星通信信號輸入神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的輸出數(shù)據(jù)與樣本衛(wèi)星通信信號對應(yīng)的樣本標簽之間的均方根損失函數(shù)。

21、進一步地，確定第i個權(quán)重參數(shù)向量對應(yīng)的第j維參數(shù)所對應(yīng)的當前搜索半徑rij為：

22、rij＝σ0*(1/α)*gammaincinv(α,βt)

23、

24、

25、其中，σ0表示第一中間參數(shù)，α表示第一常數(shù)項，且α＝0.1；gammaincinv表示不完全伽馬函數(shù)，βt表示第t次訓(xùn)練過程中的搜索半徑控制因子，t表示最大訓(xùn)練次數(shù)，β0表示搜索半徑控制因子的初始值，且β0＝1；ulj表示第j維參數(shù)的上限值，blj表示第j維參數(shù)的下限值。

26、進一步地，以當前搜索半徑rij為限制，采用高斯分布隨機為第i個權(quán)重參數(shù)向量對應(yīng)的第j為參數(shù)產(chǎn)生n個候選解，包括：

27、獲取第j維參數(shù)的搜索中心為：

28、

29、其中，μj表示第j維參數(shù)的搜索中心；

30、以第j維參數(shù)的搜索中心μj以及第一中間參數(shù)σ0為基礎(chǔ)，生成高斯分布的概率密度函數(shù)為：

31、

32、其中，p表示高斯分布的概率密度函數(shù)，π表示圓周率，j表示權(quán)重向量參數(shù)的總參數(shù)維度；

33、以所述第j維參數(shù)的搜索中心μj為中心，以當前搜索半徑rij為限制，確定搜索范圍；

34、根據(jù)高斯分布的概率密度函數(shù)，采用高斯分布在搜索范圍內(nèi)隨機產(chǎn)生第i個權(quán)重參數(shù)向量對應(yīng)的第j為參數(shù)產(chǎn)生n個候選解。

35、進一步地，以所述權(quán)重參數(shù)向量對應(yīng)的第一候選向量以及最優(yōu)參數(shù)向量為基礎(chǔ)，產(chǎn)生第二候選向量為：

36、

37、其中，表示第一候選向量，表示第二候選向量，表示第t次訓(xùn)練過程匯總的最優(yōu)參數(shù)向量。

38、進一步地，針對第一候選向量以及第二候選向量，獲取對應(yīng)的當前搜索半徑內(nèi)的第二最優(yōu)候選解，并根據(jù)第二最優(yōu)候選解獲取更新后的第i個權(quán)重參數(shù)向量，包括：

39、針對第一候選向量，獲取第一候選向量對應(yīng)的當前搜索半徑rh1j，以當前搜索半徑rh1j為限制，采用高斯分布隨機為第一候選向量對應(yīng)的第j為參數(shù)產(chǎn)生n個候選解；針對第一候選向量對應(yīng)的第j維參數(shù)所對應(yīng)的n個候選解，確定第j維參數(shù)所對應(yīng)的最優(yōu)候選解，并根據(jù)第i個權(quán)重參數(shù)向量每個維度對應(yīng)的最優(yōu)候選解，構(gòu)建權(quán)重參數(shù)向量對應(yīng)的第一局部最優(yōu)向量；

40、針對第二候選向量，獲取第二候選向量對應(yīng)的當前搜索半徑rh1j，以當前搜索半徑rh1j為限制，采用高斯分布隨機為第二候選向量對應(yīng)的第j為參數(shù)產(chǎn)生n個候選解；針對第二候選向量對應(yīng)的第j維參數(shù)所對應(yīng)的n個候選解，確定第j維參數(shù)所對應(yīng)的最優(yōu)候選解，并根據(jù)第i個權(quán)重參數(shù)向量每個維度對應(yīng)的最優(yōu)候選解，構(gòu)建權(quán)重參數(shù)向量對應(yīng)的第二局部最優(yōu)向量；

41、判斷第一局部最優(yōu)向量對應(yīng)的損失函數(shù)值是否小于第二局部最優(yōu)向量對應(yīng)的損失函數(shù)值，若是，則將第一局部最優(yōu)向量作為更新后的第i個權(quán)重參數(shù)向量，否則將第二局部最優(yōu)向量作為更新后的第i個權(quán)重參數(shù)向量。

42、進一步地，針對更新后的第i個權(quán)重參數(shù)向量，采用二階震蕩學(xué)習(xí)策略對權(quán)重參數(shù)向量進行二次更新，得到二次更新后的權(quán)重參數(shù)向量為：

43、

44、

45、

46、

47、其中，表示第t次訓(xùn)練過程中第m個更新后的權(quán)重參數(shù)向量，m＝1,2,…,i，i表示權(quán)重向量參數(shù)對應(yīng)的總數(shù)，表示第t+1次訓(xùn)練過程中第m個更新后的權(quán)重參數(shù)向量對應(yīng)的增量，表示第t次訓(xùn)練過程中第m個更新后的權(quán)重參數(shù)向量對應(yīng)的增量，c1表示個體學(xué)習(xí)因子，r1表示[0,1]內(nèi)均勻分布的第一隨機數(shù)，c2表示群體學(xué)習(xí)因子，r2表示[0,1]內(nèi)均勻分布的第二隨機數(shù)，表示對應(yīng)的歷史最優(yōu)值，表示第t-1次訓(xùn)練過程中第m個更新后的權(quán)重參數(shù)向量，表示第t次訓(xùn)練過程匯總的最優(yōu)參數(shù)向量，λ1表示第一震蕩因子，λ2表示第二震蕩因子。

48、進一步地，獲取待識別調(diào)制模式的衛(wèi)星通信信號，并對所述待識別調(diào)制模式的衛(wèi)星通信信號進行預(yù)處理，得到待識別信號特征，包括：

49、獲取待識別調(diào)制模式的衛(wèi)星通信信號，并獲取所述待識別調(diào)制模式的衛(wèi)星通信信號對應(yīng)的星座圖特征，得到待識別信號特征。

50、本發(fā)明提供的一種基于神經(jīng)網(wǎng)絡(luò)的衛(wèi)星通信信號調(diào)制模式識別方法，該方法通過構(gòu)建用于識別衛(wèi)星通信信號調(diào)制模式的神經(jīng)網(wǎng)絡(luò)，并采用智能優(yōu)化算法對構(gòu)建的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之后，得到調(diào)制模式識別模型，相比于傳統(tǒng)訓(xùn)練方法，能夠更快更好的找到全局最優(yōu)參數(shù)，從而提升調(diào)制模式的識別能力，最后基于該調(diào)制模式識別模型對衛(wèi)星通信信號調(diào)制模式的快速且準確地識別，具有較高的識別率和抗干擾能力，可廣泛應(yīng)用于衛(wèi)星通信領(lǐng)域。