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

(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