买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于信号参数估计的通信信号的调制识别优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117880031B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410103724.2，技术领域涉及：H04L27/00；该发明授权一种基于信号参数估计的通信信号的调制识别优化方法是由李建清;李文科;王姣;黄浩;刘佳旭;王珂;王宏设计研发完成，并于2024-01-23向国家知识产权局提交的专利申请。

本一种基于信号参数估计的通信信号的调制识别优化方法在说明书摘要公布了：本发明公开了一种基于信号参数估计的通信信号的调制识别优化方法，首先构建训练用的数据集，再构建并训练信号参数识别多任务深度卷积神经网络，然后构建并训练信号调制识别深度卷积神经网络得到预训练模型，然后在小范围参数数据集内fine‑tune，最后用测试样本集获得通过参数估计优化后的调制识别准确率。本发明的方法使用repvgg作为主干结构部署后具有更快的推理速度，使用深度卷积神经网络对信号参数的识别，并充分将结果利用到进一步的训练与处理中，这使得调制识别任务充分利用信号的参数信息，而不仅仅是靠信号的波形信息进行特征提取，并且使用fine‑tune能够在训练时间更少的情况下在下行调制识别的任务中保持和重新训练相近甚至更优的信号调制识别效果。

本发明授权一种基于信号参数估计的通信信号的调制识别优化方法在权利要求书中公布了：1.一种基于信号参数估计的通信信号的调制识别优化方法，具体步骤如下： S1、构建训练用的数据集； S2、构建并训练信号参数识别多任务深度卷积神经网络； S3、构建并训练信号调制识别深度卷积神经网络得到预训练模型，然后在小范围参数数据集内fine-tune； S4、用测试样本集获得通过参数估计优化后的调制识别准确率； 所述步骤S1具体如下： S11、采用MATLAB仿真软件模拟一般通信链路结构，模拟生成信号参数识别及调制识别的数据集； 模拟生成的信号参数识别及调制识别的数据集共两个，两个数据集的产生方式相同：第一个数据集用于信号参数估计任务和信号调制识别任务的数据集，第二个数据集只用于fine-tune信号调制识别深度卷积神经网络的预训练模型，且两个数据集只有信号的符号速率范围以及频率偏移范围不同； 其中，信号参数估计任务和信号调制识别任务中产生预训练模型所使用的数据集相同，均使用第一个数据集，信号参数估计任务使用信号符号速率以及频率偏移作为标签，信号调制识别任务使用调制类别作为标签； S12、产生12种调制类别的信号； 步骤S11中两个数据集的数据量以及信道条件均相同，区别只在于符号速率的范围以及频率偏移的范围； 每种调制信号20000条数据包含的信噪比为0-20dB，共240000条数据； 其中，80％作为训练样本集，10％作为验证样本集，10％作为测试样本集；第一个数据集符号速率在100kHz～200kHz范围内随机变动，呈均匀分布，频率偏移在-10％～10％范围内随即变动，呈均匀分布；第二个数据集符号速率在93kHz～107kHz范围内随机变动，呈均匀分布，频率偏移在-2％～2％范围内随即变动，呈均匀分布； 设置产生数据的信道条件为高斯信道以及瑞利信道；最后存储信号的IQ两路数值作为数据集； S13、将步骤S11所述两个数据集通过低通滤波器滤波，并进行归一化； 数据集经过设定好截止频率的切比雪夫低通滤波器，然后进行最大最小值归一化，归一化公式表达式如下： 其中，Yi表示第i个信号样本Xi归一化处理后的样本数值，Max表示单个样本数据的最大值，Min表示单个样本数据的最小值；信号的标签包括：调制类别、符号速率以及频率偏移； 所述步骤S2具体如下： S21、构建基于repvgg为主干结构的信号参数识别多任务深度卷积神经网络； 信号参数识别多任务深度卷积神经网络，其结构包括：输入层，主干网络层，特征提取层，分类层；且所述网络采用损失函数Lmixed衡量模型预测与真实目标之间的误差，优化模型参数；具体如下： 1输入层：网络的输入维度为64，2，10000； 其中，第一个维度表示数据输入的数据块中数据数目batch_size，第二个维度表示IQ两个通道，第三个维度表示IQ每个维度的信号长度； 2主干网络层：采用repvgg块堆叠结构，通过全局平均池化层GAP输出特征向量； repvgg块主要由两个部分组成： 第一部分：数据输入后有三个分支，然后三个分支再叠加到一起，第一个分支由卷积层和批量归一化层构成，第二个分支由1×1卷积和BN层构成，第三个分支则由数据直接通过BN层进入下一层；三个分支叠加后再经过整流线性单元ReLU；且只有第一个分支乘上可学习的通道权重矩阵Mweight；该权重的作用原理表达式如下： 其中，λl,C的下标C表示第一个分支数据输入的通道数，l表示repvgg块的当前深度，即网络由D个repvgg块堆叠而成；则第一部分的网络结构表达式如下： 其中，x′l表示第l个repvgg块中第一部分三个分支的输出；表示repvgg块第一部分的第一个分支的卷积神经网络，xl表示repvgg块第一部分的输入，且作为该部分的第三个分支； 第二部分：将叠加后的特征输入到一个数据通道自适应权重块SE-Block，即将输入的数据特征的每个通道分别乘以一个通道权重提取层获得的权重值； 其中，所述通道权重提取层的具体构成为：全局平均池化层GAP，1×1卷积层，整流线性单元ReLU，1×1卷积层； 将上述两个部分组合后进行堆叠构成主干网络； 3特征提取层：将主干网络得到的特征向量分流成两条通道，分别用于符号速率fd以及信号频率偏移offset的回归任务； 上述两个任务所使用的特征提取层结构相同，均采用三层全连接结构，前两层有整流线性单元ReLU，且第一层设置失活层Dropout，失活参数取0.15，最终分别输出用于信号参数回归的特征向量； 4分类层：对应两个平行的特征提取网络，最后的输出层激活函数根据回归的参数发生变化； 其中，对于符号速率fd：其归一化后的标签范围为[0,1]，故使用sigmoid作为激活函数；对于频率偏移offset：其归一化后的标签范围为[-1,1]，故使用Tanh作为激活函数； 经过所述信号参数识别多任务深度卷积神经网络能够同时回归得到符号速率以及频率偏移的预测值； S22、设置信号参数识别多任务深度卷积神经网络的损失函数为两个均方误差乘对应的权重求和即Lmixed、网络参数更新算法为误差逆传播算法、激活函数对应不同的回归任务，分别设置为Sigmoid和Tanh，使用Adam优化器进行优化初始学习率lr设置为0.0002，Adam∈设置为1e-8，Adamβ设置为0.9，0.999，weightdecay设置为0，lr更新准则为warmupcosinedecay； 其中，Lmixed由两部分组成，分别是两个任务分别的均方误差乘上对应的权重构成： 其中，表示fd任务的均方误差，表示offset任务的均方误差；μ1，μ2表示fd任务和offset任务均方误差的权重，在训练过程中被设定为0.3和0.7； Warmupcosine的学习率更新准则的主要参数包括：热身训练的epoch数目warmup_epochs、cosine学习率曲线的最大学习率base_value、最小学习率final_value、cosine学习率曲线的周期T_epochs、cosine学习率曲线的衰减decay，即每训练完T_epochs个训练epoch，学习率曲线的最大值就会乘上decay，每个epoch的迭代次数n_iter； 最终的学习曲线为：最开始热身训练从0直线增加到最大值，然后从最大值cosine一个周期减小到最小值，然后跳变至经decay衰减后最大值，如此往复，直至训练完成； S23、打乱训练样本输入网络进行训练； 利用符号速率fd以及频率偏移offset两个并列的多任务标签，并根据步骤S22的损失函数以及优化算法对网络进行训练； S24、测试训练好网络的信号参数识别效果； 将测试样本集的IQ数据信号输入到所述信号参数识别多任务深度卷积神经网络，使用平均绝对误差MAE对网络的符号速率fd、频率偏移offset的回归性能进行衡量，得到参数识别的结果； 所述步骤S3具体如下： S31、构建基于repvgg为主干结构的信号调制识别深度卷积神经网络结构； 构建基于repvgg为主干结构的信号调制识别深度卷积神经网络结构，其结构包括：输入层，主干网络层，特征提取层，分类层；且所述网络采用损失函数二进制交叉熵LCrossEntropyLoss衡量模型预测与真实目标之间的误差，优化模型参数；具体如下： 1输入层：网络的输入维度为64，2，10000； 其中，第一个维度表示数据输入的数据块中数据数目batch_size，第二个维度是IQ两个通道，第三个维度是IQ每个维度的信号长度； 2主干网络层：与步骤S21信号参数识别多任务深度卷积神经网络的主干网络相同； 3特征提取层：特征提取层第一层是全局平均池化层GAP，然后去掉平均池化的最后一个维度，通过连续四层全连接线性层，前三层整流线性单元ReLU，且前三层均设置了失活层Dropout，失活参数取0.15，最终输出类别数的特征向量； 将主干网络得到的特征向量，分别用于符号速率fd以及信号频率偏移offset的回归任务； 其中，上述两个任务所使用的特征提取层结构相同；均采用三层全连接结构，前两层有整流线性单元ReLU，且第一层设置失活层Dropout，失活参数取0.15，最终输出类别数的特征向量； 4分类层：调制识别为多分类任务，使用Softmax作为激活函数； S32、设置信号调制识别深度卷积神经网络的损失函数为二进制交叉熵LCrossEntropyLoss、网络参数更新算法为误差逆传播算法、激活函数为softmax，使用Adam优化器进行优化初始学习率lr设置为0.0002，Adam∈设置为1e-8，Adamβ设置为0.9，0.999，weightdecay设置为0，lr更新准则为warmupcosinedecay； 损失函数二进制交叉熵LCrossEntropyLoss表达式如下： 其中，M表示信号调制类别总数，N表示一个batch内的样本数目；wm表示每个类别的权重，xn,i表示第n条数据在第i个标签维度的值，yn,m表示one-hot编码后的标签向量，表示第n条数据标签第i个类别维度的值，若类别xn是类别m，则yn,m为1，其他i不等于m均为0； 学习率更新准则warmupcosine与步骤S22中相同； S33、在步骤S11中所述第一个数据集上训练，得到预训练模型； S34、根据步骤S24中参数识别的结果将参数范围缩小后的数据集，即步骤S11中所述第二个数据集，将预训练模型在该数据集上进行fine-tune； 使用在图像领域DeiT的fine-tune策略： 在224×224分辨率的图像数据集上进行完全训练，再在高分辨率数据集384×384上进行fine-tune，取得与在384×384分辨率数据上重新训练相近甚至更优的效果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。