欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024115902863
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于迁移深度学习的USRP调制信号识别方法,其特征在于,所述基于迁移深度学习的USRP调制信号识别方法包括以下步骤:步骤1、信号数据采集:无线信号通过发射端进行传输,USRP接收端在接收到信号后,通过信号采集程序,将信号接收存储,为调制信号识别的CNN模型提供需要的信号训练集和信号测试集,其中所述信号训练集包括预训练数据集和迁移学习训练数据集;

步骤2、卷积神经网络模型预训练:通过生成的预训练数据集,对针对调制信号识别的卷积神经网络模型进行预训练;

步骤3、卷积神经网络模型迁移学习训练:通过生成的迁移学习训练数据集,针对调制信号识别的卷积神经网络模型进行预训练;

步骤4:将训练好的迁移学习卷积神经网络模型部署到信号测试集,对调制信号识别结果进行验证。

2.如权利要求1所述的基于迁移深度学习的USRP调制信号识别方法,其特征在于,步骤1中发射端射频参数至少包括射频天线、中心频率、发射增益、调制方式,USRP接收端射频参数至少包括射频天线,中心频率,接收增益。

3.如权利要求1所述的基于迁移深度学习的USRP调制信号识别方法,其特征在于,步骤1中在USRP接收端从接收天线开始接收无线信息,通过RF接收模块后,经过模拟-数字转换、下变频处理,接收到调制信号。

4.如权利要求1所述的基于迁移深度学习的USRP调制信号识别方法,其特征在于,步骤1中预训练数据集:在信道环境I下采用的分类信号集为Ω4={BPSK,8PSK,4QAM,16QAM},信号序列长度为L=100,且序列的平均信噪比服从在[-10dB,20dB]之间均匀分布,每类信号的数量为NI=100000,预训练数据集设置为每种信号接收N个,共4N个信号序列,训练中取90%×4N作为训练集,10%×4N用于交叉验证,测试集每个信号类型为1000个,SNR范围为[-10dB,20dB],每间隔进行测试,取平均以得调制信号识别率。

5.如权利要求1所述的基于迁移深度学习的USRP调制信号识别方法,其特征在于,步骤1中迁移学习训练数据集:在信道环境II中,迁移学习的训练集中每类信号的数量设置为NII,测试集中,每个信号类型为1000个,SNR范围为[-10dB,20dB],每间隔2dB进行测试,取平均结果以得到调制信号识别率。

6.如权利要求1所述的基于迁移深度学习的USRP调制信号识别方法,其特征在于,步骤3具体包括:USRP接收机采集两类不同信道环境下的信号数据集,采用迁移学习卷积神经网络进行调制信号识别,在卷积神经网络的基础上对卷积层和全连接层进行迁移训练。

7.如权利要求6所述的基于迁移深度学习的USRP调制信号识别方法,其特征在于,迁移学习卷积神经网络采用两层卷积层,卷积步长均为1,采用两层卷积层首层64核卷积层,首层卷积核的大小为2×4,激励函数为ReLU,采用偏差项并进行零值初始化,权重初始方法为Glorot均匀分布初始化,第二卷积层的卷积核数为16,卷积核的大小为1×4,其余设置与第一层卷积层相同。

8.如权利要求6所述的基于迁移深度学习的USRP调制信号识别方法,其特征在于,迁移学习卷积神经网络全连接神经网络包括三个全连接层,前两层分别设置为64个和16个神经元,激活函数均为ReLU,权重采用Glorot均匀分布初始化,并采用正则化项与权重约束,输出层激活函数采用Softmax。