申请/专利权人：上海交通大学

申请日：2021-09-13

公开（公告）日：2023-12-12

公开（公告）号：CN113723353B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/24;G06F18/214;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.12.12#授权;2021.12.17#实质审查的生效;2021.11.30#公开

摘要：本发明公开了一种随机多径干扰条件下基于CBD网络的调制信号识别方法，包括步骤：根据无线信号传输系统，基于多种噪声模型生成多径干扰下不同调制类型的通信信号，构成数据集；设计基于注意力机制的CNN‑BiLSTM‑DNN模型，包括CNN特征提取模块、双向长短时记忆网络模块和全连接层分类模块；使用固定多径参数生成的数据集对模型进行训练与验证，保存最佳模型；评估验证集的表现，与此同时，重新生成多径参数在训练集基础上随机波动的测试数据集，使用上述最佳模型测试对其识别效果，对比验证集与测试集表现，进行泛化性分析。

主权项：1.一种随机多径干扰条件下基于CBD网络的调制信号识别方法，其特征在于，包括以下步骤：步骤S100：复杂噪声和多径干扰条件下通信信号建模和数据集生成：根据无线信号传输系统，基于多种噪声模型生成多径干扰下不同调制类型的通信信号，构成数据集；步骤S200：CBD网络模型设计：设计基于注意力机制的CNN-BiLSTM-DNN模型，包括CNN特征提取模块、双向长短时记忆网络模块和全连接层分类模块；在步骤S200中，所述CBD网络模型的结构包括CNN特征提取模块中的三层CNN、双向长短时记忆网络模块中的两层BiLSTM+Attention层和全连接层分类模块中的两层DNN，模型具体包括：CNN特征提取模块：第一层卷积层，内含48个30*1的卷积核，卷积步长为1；第一层最大池化层，窗长为4；dropout层；第二层卷积层，内含36个30*1的卷积核，卷积步长为1；第二层最大池化层，窗长为4；dropout层；第三层卷积层，内含16个30*1的卷积核，卷积步长为1；第三层最大池化层，窗长为4；dropout层；双向长短时记忆网络模块：第一层BiLSTM，隐层节点数为128，保留双向所有输出；dropout层；第二层BiLSTM，隐层节点数为128，保留双向所有输出；dropout层；自注意力层；平铺层；全连接层分类模块：第一层全连接层，隐层节点数256；dropout层；输出层，隐层节点数5；上述自注意力层的激活函数选择sigmoid，输出层的激活函数选择softmax，其余所有层的激活函数选择ReLU；模型的损失函数为交叉熵函数；所有dropout均保留14原结点；步骤S300：CBD网络模型训练：使用固定多径参数生成的数据集对模型进行训练与验证，保存最佳模型；步骤S400：基于CBD网络的调制信号识别和泛化性功能分析：评估验证集的表现，与此同时，重新生成多径参数在训练集基础上随机波动的测试数据集，使用上述最佳模型测试对其识别效果，对比验证集与测试集表现，进行泛化性分析。

全文数据：

权利要求：

百度查询： 上海交通大学 一种随机多径干扰条件下基于CBD网络的调制信号识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD