技术摘要：
本发明提供了一种基于卷积神经网络的调制方式识别方法，包括如下步骤：S1、生成数据集，S2、构建卷积神经网络模型；S3、将步骤S1所得数据集对步骤S2所构建的卷积神经网络模型进行训练；S4、将待识别的五种调制信号输入至步骤S3训练好的卷积神经网络模型中，识别出五种  全部
背景技术：
在通信信号处理领域，通信信号调制方式识别是信号分析的重要部分，也是软件 无线电的关键技术，在军用和民用上均有广泛的应用。对于非协作通信而言，信号检测和判 定调制方式为后续的信号解调提供必要的信息。因此，通信信号的调制方式盲识别技术具 有十分重要的意义和发展前景。传统的调制识别方法主要有两种，一种是决策论方法，另一 种是基于特征提取的模式识别方法。以上两种方法依然存在计算量大，识别准确率低等问 题。
技术实现要素：
基于此，针对上述问题，有必要提出一种基于卷积神经网络的调制方式识别方法， 本方法通过网络的卷积层和输入层以及池化层之间通过卷积核进行局部连接以及同一个 卷积核与不同区域卷积时自身参数固定，减少权值参量，降低了网络的模型复杂度，提升了 调制类型的分类准确率。 本发明提供了一种基于卷积神经网络的调制方式识别方法，包括如下步骤： S1、生成数据集； S2、构建卷积神经网络模型； S3、将步骤S1所得数据集对步骤S2所构建的卷积神经网络模型进行训练； S4、将待识别的五种调制信号输入至步骤S3训练好的卷积神经网络模型中，识别 出五种调制信号的调制类型。 优选的，在步骤S1中，生成数据集的过程包括生成调制信号，添加相位偏移和频率 偏移，成形滤波，以及添加高斯白噪声，然后将添加过噪声的信号添加标签，并按照图片的 格式保存数据。 优选的，步骤S2具体包括： S21、构建输入层，用于对所输入的数据集的信息进行收集； S22、构建第一卷积层，用于对所输入的数据集的信息滤波和特征提取，得到第一 特征图； S23、构建第一最大池化层，用于对步骤S22所得到的第一特征图进行处理，减少下 一层的参数和计算量，防止过拟合； S24、构建第二卷积层，用于对步骤S23池化处理后的第一特征图再次进行特征提 取，得到第二特征图； S25、构建第二最大池化层，用于对步骤S24所得到的第二特征图进行处理，减少下 一层的参数和计算量，防止过拟合； 3 CN 111585922 A 说　明　书 2/4 页 S26、构建第三卷积层，用于对步骤S25池化处理后的第二特征图再次进行特征提 取，得到第三特征图； S27、构建第三最大池化层，用于对步骤S26所得到的第三特征图进行处理，减少下 一层的参数和计算量，防止过拟合； S28、构建全连接层，用于将步骤S27池化处理后的第三特征图进行向量化，将学习 到的分布式特征映射到样本标记空间； S29、构建输出层，用于将步骤S28所得到的特征用于分类决策。 优选的，所述第一卷积层中的卷积核的数量为64，所述第二卷积层中的卷积核的 数量为128，所述第三卷积层中的卷积核的数量为256。 优选的，所述输出层的节点单元的数量为5。 本发明的有益效果是： (1)本发明所使用的方法不需要提取调制信号的特征参数，且当信噪比大于10dB 时，调制类型的分类准确率在90％以上； (2)本发明所使用的方法不需要对接收到的信号进行任何同步处理和不需要先验 信息，就可进行调制类型分类。 附图说明 图1为本发明所述基于卷积神经网络的调制方式识别方法的框架示意图； 图2为本发明所述基于卷积神经网络的调制方式识别方法的框架结构图一； 图3为本发明所述基于卷积神经网络的调制方式识别方法的框架结构图二； 图4为本发明所述卷积神经网络模型的测试结果数据图。