




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
Ta的资源

2020110359336低致栓颅内血管编织支架及其处理方法

2020110303186一种钙钛矿量子点聚合物粒子的制备方法

2020110124078基于精准医疗的大数据分析系统及方法

2020109651910 应用近红外谷物分析仪建立油莎豆中粗脂肪含量的检测方法

2020109529321一种铝合金用无氟无氯环保粒状精炼剂及其制备和应用

2020108899336一种新能源商用车总装车间线路布局

2020108620703城市燃气管网多输差协同计算模型及应用方法

2020108207369一种微交联阳离子型聚丙烯酰胺絮凝剂及其制备方法与应用

2020108035131一种基于全站仪的激光雷达外部参数标定方法

2020107682859一种内燃机等离子节油器阴阳极的制备方法

13****40
实名认证
内容提供者


最近下载