(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111627636.5 (22)申请日 2021.12.28 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 金建国　潘勉　吕帅帅　胡馨之　 唐金龙　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 朱月芬 (51)Int.Cl. H04L 27/00(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于SVM-SRNN的调制信号识别方法 (57)摘要 本发明公开了一种基于SVM ‑SRNN的调制信 号识别方法首先准备数据集， 进行数据预处理， 然后搭建SV M模型得到SV M分类器， 将每个信号通 过S2数据预处理转换后输入SVM分类器， 分离13 种待分类信号和噪声信号， 并去除噪声信号； 最 后搭建切片双向循环神经网络， 对SVM分类器分 离噪声后的信号进行信号特征提取， 再通过 softmax分类器完成分类； 相比于使用RNN模型进 行分类， SRNN的速度显著快于 标准的RNN， 而且 不 需要改变循环单元， 并且SRNN具有 提取序列高级 信息的能力， 具有更快的计算速度。 本发明通过 SVM‑SRNN模型组合进行调制信号分类， 比传统的 分类器具有更好的分类效果。 权利要求书4页 说明书8页 附图2页 CN 114301747 A 2022.04.08 CN 114301747 A 1.一种基于SVM ‑SRNN的调制信号识别方法， 其特 征在于， 包括以下步骤： S1： 准备数据集： S2： 数据预处 理： S3： 搭建SVM(支持向量机)模型得到SVM分类器， 将每个信号通过S2数据预处理转换后 输入SVM分类 器， 分离13种待分类信号和噪声信号， 并去除噪声信号； S4： 搭建切片双向循环神经网络， 对SVM分类器分离噪声后的信号进行信号特征提取， 再通过softmax分类 器完成分类； S5： 训练模型， 将预处理后训练数据输入S3、 S4中的SVM分类器和切片双向循环神经网 络练参数， 模型训练完毕后， 再通过测试 数据， 对模型进行测试训练效果。 2.根据权利要求1所示的一种基于SVM ‑SRNN的调制信号识别方法， 其特征在于， S1具体 方法如下： 数据集采用由GNUradio软件无线电平台产生的通信调制信号， 包括训练数据和测试数 据， 其类型包括AM、 FM、 2ASK、 4ASK、 2FSK、 4FSK、 MSK、 PSK、 QPSK、 PI/4DQPSK、 OQPSK、 QAM16、 QAM64调制信号， 除上述13种信号， 还加入了 噪声信号， 噪声信号由上述13种信号随机选取 2‑3种信号混合而成， 其长度等同于待分类信号， 共14种待分信号。 3.根据权利要求1所示的一种基于SVM ‑SRNN的调制信号识别方法， 其特征在于， S2具体 方法如下： 调制信号是一种I/Q信号， 由I路和Q路两组序列组成， 每个信号的长度 为2×128000； 将 所有的训练数据和测试数据通过DFT采样后再通过abs函数取实后， 每个信号的格式变为 1000×128的向量数据。 4.根据权利要求1所示的一种基于SVM ‑SRNN的调制信号识别方法， 其特征在于， 所述S3 详细步骤为： S3.1： 将所有S2数据预处理后的所有训练数据合并在训练样本集D＝{{(x1， y1)， (x2， y2)}， ...， (xi， yi)， ...， (xm， ym)}， 其中xi表示第i个训练数据， 为S2预处理后的向量数据， yi 表示第i个训练数据的标签， m表示训练样 本的总长度， 13种待分类的调制 信号为正类， 噪声 信为负类； S3.2： 确定SVM模型参数： SVM分类器的核函数选择高斯核， 超平面集为f(x)＝wx+b； w为 法向量， b为 位移项； S3.3： 求解SVM分类 器的凸二次规划问题： 其中α 是拉格朗日乘子， αi是训练样本(xi， yi)的拉格朗日乘子， αj是第j个训练样本(xj， yj)的拉格朗日乘子， K()为高斯核函数。 S3.4： 求解S3.3的问题后得到参数w、 b， 并得到分类决策函数f(x)； 权　利　要　求　书 1/4 页 2 CN 114301747 A 2S3.5： 将数据通过f(x)函数后划分为13种待分信号和噪声信号， 将噪声信号剔除并将 13种待分信号输入后续网络中。 5.根据权利 要求1所示的一种基于SVM ‑SRNN的调制信号识别方法， 其特征在于， 切片双 向循环神经网络总共分为三层： 第一层由100个双向循环神经网络组成， 第二层由10个双向 循环神经网络组成， 第三层由1个双向循环神经网络组成， 每个双向循环神经网络的格式为 10输入1输出； 首先将每个通过SVM分类器后的信号向量数据切分成100 ×10×128的向量， 输入第一层的双向循环神经网络中， 第一层网络的输出结果为100 ×1×128的向量； 再把第 一层的输出结果切分成10 ×10×128输入至第二层双向循环神经网络中， 第二层的输出结 果为10×1×128的向量； 最后把第二层的输出结果组成10 ×128输入至第三层双向循环神 经网络中， 输出的结果再通过softmax分类 器分类。 6.根据权利要求5所示的一种基于SVM ‑SRNN的调制信号识别方法， 其特征在于， 所述S4 详细步骤为： S4.1： 构建切片双向循环神经网络， 定义每层网络并随机初 始化参数， Xo是网络的第o个 输入数据， 是第c层第o个神经元的的隐藏状态， 是第c层第o个神经元的输出， 是第c层第o个神经元的参数， U是输入到隐藏层的权重矩阵， W是前一个隐藏 状态到下一个隐藏状态的权 重矩阵， V是隐藏层到 输出层的权 重矩阵； S4.2： 前向传播计算； 切片双向循环神经网络的前向传播有两个传播方向： 向前和向 后； 每一层的计算方式相同， 以下省略各层的层标c； 向前方向的隐藏状态 由它的输入Xo以及上个一隐藏状态 决定， 其计算 为： 向后方向的隐藏状态 由它的输入Xo以及后一个隐藏状态 决定， 其计算 为： 输出结果Co为： Co＝sigmoid(Vo*[ho； h′o]) S4.3： 反向传播： 采用均方差作为损失函数E： 其中N为训练的批量大小， 为Cot的均值；权　利　要　求　书 2/4 页 3 CN 114301747 A 3