1.一种基于稀疏复值卷积神经网络的无线电信号调制识别方法,其特征在于,包括以下步骤:S1:对待传输的无线电信号进行调制,得到I/Q两路信号数据集,在所述I/Q两路信号数据集中加入加性高斯白噪声,构成调制信号数据集,将所述调制信号数据集进行预处理,得到预处理后的调制信号数据集;
S2:构建并初始化用于无线电信号调制识别的复值卷积神经网络模型,基于所述预处理后的调制信号数据集,对所述复值卷积神经网络模型进行迭代训练,得到训练后的稀疏复值卷积神经网络模型;
S3:将待识别的信号输入到所述训练后的稀疏复值卷积神经网络模型中,得到待识别的信号调制方式的识别结果;
其中,所述复值卷积神经网络模型包括依次连接的多个复值卷积层和多个复值全连接层,每个复值卷积层包括复值卷积操作和复值激活函数,每个复值全连接层包括复值全连接操作和复值激活函数;
S2中,所述复值卷积神经网络模型的迭代训练包括前向传播过程和反向传播过程,得到训练后的稀疏复值卷积神经网络模型,其方法包括:S21:在所述前向传播过程中,判断当前层是否为复值卷积层或复值全连接层:若当前层为复值卷积层,通过复值软阈值算子重置复值卷积层的权重;若当前层为复值全连接层,通过复值log-sum阈值算子重置复值全连接层的权重;
S22:在所述反向传播过程中,利用带有权重衰减的自适应复值动量估计算法优化损失函数,并更新网络权值和稀疏阈值;
S23:循环执行步骤S21~S22,直到达到设置的最大迭代次数或者算法收敛为止。
2.根据权利要求1所述的基于稀疏复值卷积神经网络的无线电信号调制识别方法,其特征在于:通过复值软阈值算子重置复值卷积层的权重的方法表示为:,
其中,表示使用复值软阈值算子更新后的第l层复值卷积层的权值矩阵;为更新前的第l层复值卷积层权值矩阵的第行第列的元素,,为更新前的权值的实部,为更新前的权值的虚部;为第l层复值卷积层的稀疏阈值,,,。
3.根据权利要求1所述的基于稀疏复值卷积神经网络的无线电信号调制识别方法,其特征在于:通过复值log-sum阈值算子重置复值全连接层的权重的方法表示为:,
其中,为使用复值log-sum阈值算子调整后的第l层复值全连接层的权值矩阵,为调整前第l层复值全连接层的权值,为第层复值全连接层的稀疏阈值;为函数,,,。
4.根据权利要求1所述的基于稀疏复值卷积神经网络的无线电信号调制识别方法,其特征在于:所述损失函数包括网络权值和稀疏阈值的正则项,其表达式如下:,,
其中,为交叉熵损失函数,为超参数,和分别代表网络的权值和稀疏阈值矩阵,是输入样本被识别成类别的概率,是类别的标签,K是调制方式的总类别数;表示范数。
5.根据权利要求1所述的基于稀疏复值卷积神经网络的无线电信号调制识别方法,其特征在于:更新网络权值和稀疏阈值的方法为:通过带有权重衰减的自适应复值动量估计算法计算得到第层第次迭代更新后的稀疏阈值矩阵和权值矩阵:,,
,,
,,
,,
,,
其中,和为复梯度向量,为交叉熵损失函数,、、和均为过渡变量,和为复梯度的一阶指数滑动平均,和为复梯度的二阶指数滑动平均,为步长,为正则化参数,和是常数,是收缩因子。
6.根据权利要求1所述的基于稀疏复值卷积神经网络的无线电信号调制识别方法,其特征在于:所述复值卷积操作用于将第层的输入特征矩阵和第层的卷积核矩阵进行卷积运算,得到输入特征矩阵的复值特征矩阵,其方法包括:定义所述第层的输入特征矩阵为:,所述第层的卷积核矩阵为:,得到复值特征矩阵:,
其中,代表卷积操作,为的实部,为的虚部;为的实部,为的虚部。
7.根据权利要求6所述的基于稀疏复值卷积神经网络的无线电信号调制识别方法,其特征在于:所述复值全连接操作用于在为第层的输入特征矩阵分配权值之后进行非线性变换,其方法包括:定义第层与第层之间的权值矩阵,得到非线性变换结果:,其中,为的实部,为的虚部,代表激活函数。
8.根据权利要求7所述的基于稀疏复值卷积神经网络的无线电信号调制识别方法,其特征在于:所述复值激活函数为实值归一化指数函数或分裂式复值线性整流函数;其中,所述实值归一化指数函数的表达式为:,其中,输入特征矩阵,为调制方式的总类别数;
所述分裂式复值线性整流函数的表达式为:
,其中,。
9.根据权利要求1所述的基于稀疏复值卷积神经网络的无线电信号调制识别方法,其特征在于:所述预处理后的调制信号数据集的获取方法为:基于所述调制信号数据集,设置训练集、验证集和测试集的划分比例,并且在每种调制类型中,随机挑选相同数量的数据样本,按照所述划分比例分配到训练集、验证集和测试集中;
使用独热编码对数据样本的调制类型标签进行编码,每个调制类型对应一个独热编码向量;
将I/Q双通道信号拼接为复值特征向量,每个复值特征向量均为复数形式,包含实部和虚部;
基于所述复值卷积神经网络模型的数据输入格式,将编码后的标签和拼接后的复值特征向量对应组合在一起,形成所述预处理后的调制信号数据集。