基于CNN卷积神经网络的数字信号自动调制识别方法

摘要

本发明属于数字通信信号调制技术领域，公开了一种基于CNN卷积神经网络的数字信号自动调制识别方法；对接收的数字信号进行循环谱分析，提取幅度归一化循环谱的α轴投影轮廓图，获得一维特征向量x∈Rn×1；利用改进的Fisherface算法对特征向量进行降维处理，得低维的特征向量y∈xm×1；最后设计深度CNN网络结构，并确定网络初始化参数。本发明利用Keras深度学习框架，直接调用已有网络层函数，搭建深层网络结构；并且在网络训练过程中采用早停策略，有效防止网络过拟合现象，在网络训练完成后，利用测试数据集验证训练效果，完成信号自动调制识别。对于MQAM信号，当信噪比大于0dB时，识别率达到97％以上；对于MPSK信号，当信噪比大于等于‑4dB时，识别率达到95％。