公开(公告)号：CN113343801B

公开(公告)日：2022-09-30

申请号：CN202110575130.8

申请日：2021-05-26

申请人： 郑州大学

发明人： 王忠勇 ,  孙冬哲 ,  巩克现 ,  孙鹏 ,  江桦 ,  王玮

IPC分类号： G06K9/00 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了基于轻量化卷积神经网络的无线信号自动调制识别方法，包括如下步骤：步骤A、对于待识别接收信号，进行一次含多个卷积核的标准卷积运算，以从原始信号中获取充足的信息；步骤B、使用深度可分离卷积设计了深度可分离卷积残差单元和深度可分离卷积残差栈用于特征提取；步骤C、使用一层线性激活的点卷积层进行特征升维；步骤D、针对最后一层特征图，使用非线性激活的全局深度卷积进行特征重构；步骤E、针对判别特征向量，使用一层全连接层完成信号分类。该算法同现有算法相比，分类准确率非常接近当前最优算法且优于其它深度学习算法，同时模型空间复杂度和推理速度方面有着显著改善。

公开(公告)号：CN115017951A

公开(公告)日：2022-09-06

申请号：CN202210656889.3

申请日：2022-06-10

申请人： 郑州大学

发明人： 孙鹏 ,  姜勃 ,  刘宏洁 ,  孙冬哲 ,  王忠勇

IPC分类号： G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  H04L27/00

摘要： 本发明属于无线通信技术领域，公开了一种基于卷积神经网络和正则化方法的半监督调制识别方法，包括如下步骤：步骤A、将有标记的训练样本输入包含Dropout和高斯噪声层的卷积神经网络前向运算，然后计算前向输出与有标记样本对应标签之间的交叉熵损失；步骤B、对包含有标记和无标记的所有训练样本，将每个样本两次输入包含Dropout和高斯噪声层的卷积神经网络前向运算，然后计算两次前向输出之间的余弦相似性损失；步骤C、将步骤A中的交叉熵损失函数、步骤B中的余弦相似性加权求和作为模型的总损失函数，然后以最小化总损失函数为训练目标更新模型参数；步骤D、重复步骤A至步骤C，直至模型完成训练；步骤E、将待识别信号样本输入训练完成的模型前向运算输出调制方式识别结果；该算法在标记样本占总训练样本7％及以下时，较于监督学习算法可以获得约11‑26％的识别精度提升。

公开(公告)号：CN113343801A

公开(公告)日：2021-09-03

申请号：CN202110575130.8

申请日：2021-05-26

申请人： 郑州大学

发明人： 王忠勇 ,  孙冬哲 ,  巩克现 ,  孙鹏 ,  江桦 ,  王玮

IPC分类号： G06K9/00 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了基于轻量化卷积神经网络的无线信号自动调制识别方法，包括如下步骤：步骤A、对于待识别接收信号，进行一次含多个卷积核的标准卷积运算，以从原始信号中获取充足的信息；步骤B、使用深度可分离卷积设计了深度可分离卷积残差单元和深度可分离卷积残差栈用于特征提取；步骤C、使用一层线性激活的点卷积层进行特征升维；步骤D、针对最后一层特征图，使用非线性激活的全局深度卷积进行特征重构；步骤E、针对判别特征向量，使用一层全连接层完成信号分类。该算法同现有算法相比，分类准确率非常接近当前最优算法且优于其它深度学习算法，同时模型空间复杂度和推理速度方面有着显著改善。