2020105485907基于CNN-LSTM模型和迁移学习的信号调制样式识别方法.pdf 立即下载
2024-08-17
约6.5千字
约8页
0
807KB
举报 版权申诉
预览加载中,请您耐心等待几秒...

2020105485907基于CNN-LSTM模型和迁移学习的信号调制样式识别方法.pdf

2020105485907基于CNN-LSTM模型和迁移学习的信号调制样式识别方法.pdf

预览

免费试读已结束,剩余 3 页请下载文档后查看

10 金币

下载文档

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN111832417B
(45)授权公告日2023.09.15
(21)申请号202010548590.7G06F18/214(2023.01)
(22)申请日2020.06.16G06F18/2431(2023.01)
G06F18/25(2023.01)
(65)同一申请的已公布的文献号G06N3/0442(2023.01)
申请公布号CN111832417AG06N3/0464(2023.01)
(43)申请公布日2020.10.27G06N3/08(2023.01)
(73)专利权人杭州电子科技大学G06N20/00(2019.01)
地址310018浙江省杭州市下沙高教园区2(56)对比文件
号大街CN106991374A,2017.07.28
(72)发明人占锦敏赵知劲翁建新CN110503140A,2019.11.26
(74)专利代理机构杭州君度专利代理事务所审查员郭春羽
(特殊普通合伙)33240
专利代理师朱月芬
(51)Int.Cl.
G06F18/213(2023.01)
G06F18/24(2023.01)权利要求书2页说明书4页附图1页
(54)发明名称
基于CNN-LSTM模型和迁移学习的信号调制
样式识别方法
(57)摘要
本发明公开一种基于CNN‑LSTM模型和迁移
学习的信号调制样式识别方法。本发明首先对采
集多种不同调制信号样本集,预处理得到源数据
集;再构建CNN‑LSTM网络模型,将网络的权值进
行随机初始化,输入源数据集对网络模型进行预
训练;将预训练后CNN网络与LSTM网络的权值参
数对应迁移至目标CNN‑LSTM网络中,输入训练数
据集对目标CNN‑LSTM网络中的随机森林分类器
进行训练,得到训练完成的CNN‑LSTM网络;最后
利用训练完成的CNN‑LSTM网络对测试数据集进
行调制样式识别,得到信号分类识别结果。本发
明结合了CNN网络与LSTM网络的特征提取优点,
提高了信号识别性能,并解决了深度学习在缺少
目标信号样本的条件下识别性能差的问题。
CN111832417B
CN111832417B权利要求书1/2页

1.基于CNN‑LSTM模型和迁移学习的信号调制样式识别方法,其特征在于:包括如下步
骤:
步骤一、采集多种不同调制信号样本集,对信号样本集进行预处理得到源数据集;
步骤二、构建CNN‑LSTM网络模型,随机初始化CNN‑LSTM网络的权值,然后通过源数据集
对初始化后的CNN‑LSTM网络进行预训练,得到预训练完成后的CNN‑LSTM网络模型和网络权
值参数;
步骤三、采集目标调制信号样本集,预处理得到目标数据集,组成训练数据集和测试数
据集,将预训练后的CNN‑LSTM网络权值参数迁移至目标CNN‑LSTM网络模型,利用部分目标
数据集对目标CNN‑LSTM网络训练进行微调,得到训练完成的CNN‑LSTM网络;
步骤四、将测试数据集输入到训练完成的CNN‑LSTM网络,得到信号调制识别结果;
所述的步骤一具体如下:
采集得到多种不同调制信号样本集,对各种调制信号进行正交解调,得到同相分类即Q
路分类和正交分量即I路分类,再由I、Q两路信号并行组成源数据集;
所述的步骤二具体如下:
CNN‑LSTM网络模型由五部分组成:第一部分为输入层,输入信号数据集;第二部分为
CNN网络,用于提取信号数据集的空间特征;第三部分为LSTM网络,用于提取信号数据集的
时序特征;第四部分为特征融合层,将CNN网络提取的空间特征与LSTM提取的时序特征进行
串联,得到新的信号特征;第五部分为随机森林分类器,根据新的信号特征进行信号调制样
式识别;
所述的步骤三具体如下:
采集需要识别的调制信号样本集,预处理得到目标数据集,将其分为训练数据集和测
试数据集;提取步骤二中预训练好的CNN‑LSTM网络模型的第二部分中CNN网络权值参数和
第三部分中LSTM网络权值参数,再将权值参数对应迁移至目标CNN‑LSTM网络模型的CNN网
络和LSTM网络中,然后输入训练数据集到目标CNN‑LSTM网络模型中,仅对随机森林部分进
行训练,训练步骤如下:
1)、训练数据集经过目标CNN‑LSTM网络模型的前四部分,得到信号特征数据集;
2)、通过自助法有放回抽样信号特征数据集构造子训练数据集;
3)、根据基尼系数随机选取特征参数建立CART决策树,其中基尼系数表示模型的混乱
度,CART决策树的概率分布基尼系数为Gini(p)=2p(1‑p),当遍历特征参数A的所有分割点

之后,使用特征参数和阈值TA的关系,将训练集D划分为两部分,即D1和D2,其中D1是满足A>

TA的样本集,D2是不满足A>TA的另一个样本集;则在
查看更多
单篇购买
VIP会员(1亿+VIP文档免费下)

扫码即表示接受《下载须知》

2020105485907基于CNN-LSTM模型和迁移学习的信号调制样式识别方法

文档大小:807KB

限时特价:扫码查看

• 请登录后再进行扫码购买
• 使用微信/支付宝扫码注册及付费下载,详阅 用户协议 隐私政策
• 如已在其他页面进行付款,请刷新当前页面重试
• 付费购买成功后,此文档可永久免费下载
全场最划算
12个月
199.0
¥360.0
限时特惠
3个月
69.9
¥90.0
新人专享
1个月
19.9
¥30.0
24个月
398.0
¥720.0
6个月会员
139.9
¥180.0

6亿VIP文档任选,共次下载特权。

已优惠

微信/支付宝扫码完成支付,可开具发票

VIP尽享专属权益

VIP文档免费下载

赠送VIP文档免费下载次数

阅读免打扰

去除文档详情页间广告

专属身份标识

尊贵的VIP专属身份标识

高级客服

一对一高级客服服务

多端互通

电脑端/手机端权益通用