申请/专利权人：北京林业大学

申请日：2023-01-29

公开（公告）日：2024-07-05

公开（公告）号：CN116132235B

主分类号：H04L27/22

分类号：H04L27/22;G06N3/04

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2023.06.02#实质审查的生效;2023.05.16#公开

摘要：本发明公开了一种基于深度学习的连续相位调制信号解调方法，属于通信领域；首先，收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；然后，搭建神经网络模型，输入训练样本进行模型训练；所述神经网络模型包括依次串连的三层卷积层和全连接层；每层卷积层包含多条并行的卷积分支；对于每个样本，依次利用各卷积层中的八条卷积分支进行并行特征提取和融合，得到特征图输入给全连接层；多次迭代并调整学习率直至模型参数达到最优；最后，将待解调的调制信号输入训练好的神经网络模型中进行自动解调；本发明在GMSK下的解调性能与传统MLSD方法的理论性能接近，在FSK下的解调性能超越了传统MLSD方法的解调性能，模型泛化能力与鲁棒性更强。

主权项：1.一种基于深度学习的连续相位调制信号解调方法，其特征在于，具体步骤如下：首先，收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；然后，搭建神经网络模型，并输入训练样本进行模型训练；所述神经网络模型中包括依次连接的第一卷积层、第二卷积层、第三卷积层和全连接层；每层卷积层包含多条卷积分支；所述第一卷积层、第二卷积层和第三卷积层都包括二维卷积函数、ReLU函数和BatchNormalization函数；利用二维卷积函数提取信号特征向量；利用ReLU函数对特征向量进行激励，得到每个通道的数值；利用BatchNormalization函数对每个通道的数值进行归一化；对于每个样本，利用第一卷积层中的八条卷积分支对样本进行并行特征提取，并融合后输入给第二卷积层；第二卷积层中的八条卷积分支对第一融合特征图进行并行特征提取，再融合输入给第三卷积层；第三层卷积层中的八条卷积分支对第二融合特征图进行并行特征提取，融合后展平为二维特征向量输入给全连接层；全连接层将二维特征向量映射到原始信号序列样本空间并输入给Sigmoid函数得到样本的每个采样点的预测值；多次迭代并调整学习率直至模型达到稳定时，选取最优模型参数，得到训练好的神经网络模型；最后，将待解调的调制信号序列、信噪比和信号原始序列，共同输入训练好的神经网络模型中进行自动解调。

全文数据：

权利要求：

百度查询： 北京林业大学 一种基于深度学习的连续相位调制信号解调方法

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