1.基于卷积受限玻尔兹曼机的信号调制方式的识别方法,其包括以下步骤:S1:获取原始积累的无线通信信号,对原始信号进行预处理,构建信号调制类别标签;
S2:将预处理后获得的带标签的信号数据集随机调整顺序,构建训练集、测试集;
S3:构建识别网络模型;
S4:通过训练集,对所述识别网络模型进行训练,得到训练好的所述识别网络模型,通过所述测试集,测试网络模型泛化性能和信号识别率;
S5:检测获取待识别无线通信信号,对信号进行预处理后,将信号输入到训练好的所述识别网络模型中,进行信号调制方式类别的识别;
其特征在于:在步骤S3中,所述识别网络的结构为基于卷积受限玻尔兹曼机网络构建的网络,采用连续的两层卷积受限玻尔兹曼机网络作为信号特征提取层;对第一层卷积受限玻尔兹曼机网络所提取的抽象特征集,进行归一化处理,将其作为第二层网络的输入;最后将第二层卷积受限玻尔兹曼机网络提取的信号抽象特征全展开输入分类器中进行调制模式识别;
步骤S4中,对所述识别网络模型进行训练的过程中,两层卷积受限玻尔兹曼机网络是使用相同的方法分别单独训练的,先局部寻优;对每个所述卷积受限玻尔兹曼机网络单独训练时,其训练方法包括如下步骤:S4‑1:初始化卷积受限玻尔兹曼机网络的权重w,w同时也是滤波器,以及初始化可见层v的偏置b、隐含层h的偏置c;
S4‑2:将所述训练集的数据随机分成小批次数据;S4‑3:采用小批次随机梯度下降法,利用步骤S4‑2中获得的所述小批次数据,基于代价函数进行训练获得最优网络参数;
S4‑4:采用对比散度算法简化网络模型参数梯度的计算,不断迭代更新卷积受限玻尔兹曼机网络的权重w和偏置b、偏置c;
步骤S4‑3中,训练所述卷积受限玻尔兹曼机网络时,采用的代价函数为:其中:Dtrain表示训练集,vt表示训练集中第t个信号样本,p(vt)为输入样本vt的边缘概率分布,训练目标为最小化代价函数L;
步骤S4中,网络参数更新的计算基于以下两个条件概率:
a1:由可见层到隐含层的计算:基于可见层已知,计算隐含层单元激活的条件概率:a2:由隐含层到可见层的计算:基于隐含层已知,计算可见层单元激活的条件概率:P(vij=1|h)=sigmoid((∑kwk*hk)ij+b)其中:k表示第k个卷积核,为第k个卷积核与可见层卷积运算后所得的特征映射,sigmoid为激活函数,ij为位于i行j列的网络层单元。
2.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法,其特征在于:所述第一层卷积受限玻尔兹曼机网络包括16个1*3的卷积核;所述第二层卷积受限玻尔兹曼机网络包括9个1*3的卷积核。
3.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法,其特征在于:所述识别网络模型中的连续的两层卷积受限玻尔兹曼机网络采用贪心无监督方法逐层构建。
4.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法,其特征在于:步骤S1中,对原始信号的所述预处理包括:S1‑1:对所获原始信号进行不间断连续采样;
S1‑2:提取信号段,将段内连续采样点组成采样序列,作为信号样本;
S1‑3:对所有样本数据进行归一化处理,使所有的样本向量元素缩小到区间[0,1]中,构建样本对应调制类别标签,由此获得由采样序列构成的大量带标签的信号数据集;
所述归一化处理如下所示:
其中:x*表示归一化之后的样本向量,x为原始样本向量,xmin表示原始样本向量中的最小值,xmax表示原始样本向量中的最大值。
5.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法,其特征在于:所述识别网络中的分类器选用softmax分类器。
6.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法,其特征在于:步骤S2中,在构建所述训练集、所述测试集之前,对所有的所述信号数据集中的样本添加高斯随机噪声,信噪比取[‑6:2:10]db,即可获得不同信噪比下含噪样本数据集,用于训练不同信噪比下的网络模型;
构建所述训练集、所述测试集时,所述训练集和所述测试集的比例为8:2。
7.根据权利要求1所述基于卷积受限玻尔兹曼机的信号调制方式的识别方法,其特征在于:步骤S4中,通过所述测试集测试所述识别网络的性能时,采用转移学习方法,将高信噪比数据下训练好的网络的权重和偏置值,作为下一低信噪比下网络的初始值进行训练。