一种基于多任务网络的调制信号分类与带宽估计方法

技术特征：
1.一种基于多任务网络的调制信号分类与带宽估计方法，其特征在于，包括如下步骤：s1、生成12种不同类型调制信号作为数据集；s2、对调制信号数据集样本进行低通滤波；s3、对调制信号数据集样本作零均值归一化预处理；s4、设计多任务神经网络的结构、参数和损失函数；s5、将预处理后的调制信号训练集输入多任务神经网络进行训练，并保存最优模型；s6、利用保存的最优模型识别调制信号的类别和宽带信息。2.根据权利要求1所述的基于多任务网络的调制信号分类与带宽估计方法，其特征在于，步骤s3中所述的零均值归一化公式如下：y
i
表示第i个信号样本x
i
归一化处理后的样本数值，mean为单个样本数据的均值；sigma为单个样本数据的标准差，sigma的计算公式如下：n表示单个样本数据的采样点总数。3.根据权利要求1所述的基于多任务网络的调制信号分类与带宽估计方法，其特征在于，所述步骤s4具体实现方法为：s41、设计多任务神经网络网络结构，具体结构为：第一层为第一输入层，输入尺寸设定为(50000,2)，输入层后接卷积网络和长短期记忆网络两个并联分支；第二层为组合层，将卷积网络的输出与长短期记忆网络的输出组合到一起进行输出，组合层的输出分别连接两个全连接层；第一全连接层，上接组合层的输出，神经元数量为128，激活函数设置为relu函数；其输出连接分类层，分类层的多分类函数取softmax函数，输出为模型的分类结果；第二全连接层，上接组合层的输出，神经元数量为12，激活函数设置为relu函数；其输出连接回归层，回归层的激活函数设置为sigmoid函数，输出为模型的带宽估计结果。s42、设置多任务神经网络的超参数、优化器；s43、选择多任务神经网络的两个损失函数l1和l2，分别对应类别预测输出和带宽估计输出：损失函数l1为交叉熵损失函数，其公式如下所示：其中，m为调制信号类别数量，c表示具体某一类别；y
c
为标签，其值为1或者0，如果当前类别c和样本的类别相同，则y
c
为1，否则为0；p
c
表示当前样本属于类别c的概率；损失函数l2如下所示：
其中，m为样本个数，y
i
为样本的标签，为样本的带宽估计值。4.根据权利要求3所述的基于多任务网络的调制信号分类与带宽估计方法，其特征在于，所述卷积网络的结构为：第一层为第一卷积层，卷积核数量为64，卷积核尺寸为1*40，卷积步长为1，激活函数为relu；第二层为第一批标准化层；第三层为第二卷积层，卷积核数量为128，卷积核尺寸为1*10，卷积步长为1，激活函数为relu；第四层为第二批标准化层；第五层为第一卷积块，由两个与第二卷积层参数相同的卷积层连接组成，前一卷积层将第一标志块输入作为输入，前一卷积层后接后一卷积层，将后一卷积层输出与第一标志块输入相加后结果作为第一标志块输出；第六层为第二卷积块，由两个与第二卷积层参数相同的卷积层连接组成，前一卷积层将第二标志块输入作为输入，前一卷积层后接后一卷积层，将后一卷积层输出与第二标志块输入相加后结果作为第二标志块输出；第七层为第一全局平均池化层；第八层为第三全连接层，神经元数量为128，激活函数设置为relu函数。5.根据权利要求3所述的基于多任务网络的调制信号分类与带宽估计方法，其特征在于，所述长短期记忆网络的结构为：第一层为长短期记忆层，神经元数量为128；第二层为第二全局平均池化层。

技术总结
本发明公开了一种基于多任务网络的调制信号分类与带宽估计方法，包括如下步骤：S1、生成12种不同类型调制信号作为数据集；S2、对调制信号数据集样本进行低通滤波；S3、对调制信号数据集样本作零均值归一化预处理；S4、设计多任务神经网络的结构、参数和损失函数；S5、将预处理后的调制信号训练集输入多任务神经网络进行训练，并保存最优模型；S6、利用保存的最优模型识别调制信号的类别和宽带信息。本发明实现了多任务共享特征，调制类型识别和带宽估计共享前面网络层输出的特征，一次推理可以同时得到输入信号样本的调制类型和带宽，相对于分别进行类型识别和带宽估计可以减小参数量和计算量，保证较好的实时性。保证较好的实时性。保证较好的实时性。


技术研发人员：李建清 李留章 黄浩 王姣 刘佳旭 王宏
受保护的技术使用者：电子科技大学
技术研发日：2022.01.10
技术公布日：2022/5/31