基于判别式受限玻尔兹曼机的数字调制识别方法

摘要

本发明公开了一种基于判别式受限玻尔兹曼机的数字调制识别方法，属于信号处理技术领域。所述方法联合高阶累积量和DRBM，有效识别大动态信噪比条件下BPSK、QPSK、8PSK、8QAM、16QAM、4PAM、CPFSK、GMSK八种数字调制类型，对于信噪比低于‑2dB的信号，先利用DRBM的生成能力对其进行重构后再进行分类，对重构后的信号再进行识别分类，有效提高了低信噪比下信号的识别率；本申请方法相对于传统识别方法，对于信噪比低于‑2dB的数字信号，在三种不同信道环境(AWGN信道，时变相移信道，瑞利信道)中均有明显提升。

说明书

技术领域

本发明涉及基于判别式受限玻尔兹曼机的数字调制识别方法，属于信号处理技术领域。

背景技术

现今，电磁环境日益复杂，不同频段的调制类型日益增多，有效识别调制类型可为频谱感知提供更多的用户信息，从而提升频谱和空间资源的利用率，因此数字调制识别在认知无线电领域具有较大的应用价值。在认知无线电领域的实际应用中，信号接收机工作环境中的信噪比通常难以保持稳定，而是呈现出一种实时大范围快速变化的特点，因此如何在大动态信噪比下保持良好的识别性能是具有研究意义的。

受限玻尔兹曼机(RBM，Restricted Boltzmann Machine)是一种可用随机神经网络来解释的概率图模型，因为具备较好的生成能力，所以多用于原始数据预处理或其他模型的初始化，但由于其不具备分类能力，所以不可直接用于分类任务。

目前有关RBM在调制识别领域的研究，多采用RBM前向预训练深度神经网络(如BP神经网络)，将所获网络参数作为深度神经网络的初始值，再通过反向传播算法微调网络，以提高网络性能，或者将RBM作为前端预处理模块，利用其生成能力，进一步提取信号隐性特征，再输入深度神经网络，此类应用中，RBM多作为辅助算法，不具有独立分类的能力；有研究将RBM堆叠为多层网络(如深度置信网络，深度受限玻尔兹曼机)，联合softmax分类器可有效实现调制识别，但此类应用中网络参数较多，占用系统内存大，且训练复杂度高。

发明内容

为了提高大动态信噪比下数字调制识别性能，本发明提供了一种基于判别式受限玻尔兹曼机的数字调制识别方法，所述方法包括：

S1将接收信号进行下变频、匹配滤波和离散化处理后获得数字基带信号的符号序列；

S2提取符号序列的高阶累积量特征，将高阶累积量特征进行能量归一化后取绝对值构建信号特征数据集，并构建每个符号序列对应的调制类型标签；

S3将信号特征数据集中的高阶累积量特征构成特征向量并进行最大值最小值归一化，即将所有特征取值缩放到[0,1]之间，获得归一化特征向量；

S4将所述归一化特征向量作为调制识别模型DRBM的输入、对应的调制类型标签作为输出，针对信号受干扰程度轻重，通过不同训练方式获得两个识别模型。第一个模型：基于判别目标函数训练所述DRBM模型，对网络超参数进行调优，获得DRBM_disc分类器，用于直接识别信噪比高于-2dB的数字信号的调制类型；第二个模型：基于生成目标函数训练所述DRBM模型，对网络参数进行调优，获得DRBM_gen模型后，基于对比散度算法，重构归一化特征向量，获得重构特征数据集；将重构特征数据集作为输入，再度基于判别式目标函数训练DRBM模型，对网络参数进行调优，即对于信噪比低于-2dB的信号，需经过重构、分类两步处理获得DRBM_gen+disc模型；

S5对新采集的、调制类型未知的数字信号经下变频、匹配滤波和离散化预处理获得基带符号序列，提取符号序列的高阶累积量特征，经过能量归一化构成特征向量，特征向量经最大值最小值归一化获得归一化特征向量，将归一化特征向量输入最终的识别模型进行调制类型识别，获得信号调制类型标签。识别过程中，对于信噪比较低(低于-2dB)，受严重干扰的数字信号，利用DRBM_gen+dis模型对其进行输入数据重构再进行调制类型识别；对于高信噪比下(高于-2dB)信号，可直接利用DRBM_disc模型进行调制类型识别。

可选的，所述调制识别模型DRBM为在RBM的结构基础上将可见层分为输入层x和输出标签层y两部分，输入层x、输出标签层y分别和隐含层h对称连接，但是输入层和输出标签层的层内以及层间无连接。

可选的，构建信号特征数据集和对应的调制类型标签，包括：

分别构建训练集、验证集和测试集；其中，在训练集和验证集中，每个符号序列的平均信噪比为-10dB～18dB区间内的随机值；在测试集中，每种调制类型的符号序列对应特定的信噪比-10dB，-8dB，…，16dB，18dB；

符号序列对应的调制类型标签为y∈{1,2,…,C}，C为调制类型；对标签进行One-Hot编码后作为模型的输出，即输出向量为：

可选的，所述S2提取符号序列的高阶累积量特征，将高阶累积量特征进行能量归一化后取绝对值，包括：

2.1计算符号序列y(n)的p阶混合矩M

M

其中p，q为矩的阶数，E()表示求均值；y

2.2由矩-累积量转化公式计算出每个符号序列y(n)的二、四、六阶累积量特征，上标*表示取共轭；

C

C

C

2.3对于接收的符号序列样本，其混合矩的样本估计值为

其中，N为符号序列y(n)的采样点数，通常会预先对y(n)去均值。根据2.2中的各阶累积量公式估计出每个符号序列y(n)的二、四、六阶累积量特征估计值：

2.4对高阶累积量特征估计值进行能量归一化；

其中，

对二阶、四阶和六阶累积量估计值取绝对值得到

可选的，所述S3将信号特征数据集中的高阶累积量特征构成特征向量，再经过最大值最小值归一化处理，得到的归一化特征向量表示为

可选的，所述S4包括：

4.1利用二值随机隐含层单元h＝(h

其中W，U分别为输入x，输出y与隐含层h之间的权重，b，c，d分别为x，h，y的偏置；F(x,y)为自由能函数；i表示输入层第i个单元，j表示隐含层第j个单元，b

4.2通过已知输入求输出的条件概率函数p(y|x)实现调制类型决策：

其中，softplus(a)＝log(1+exp(a))；

取概率值最大的索引为目标调制类型。

可选的，所述S4中训练所述DRBM模型可根据信号受干扰程度分为两种情况。

4.3基于判别式目标函数训练DRBM(简称为DRBM_disc)，判别式目标函数为：

利用随机梯度下降算法，求取网络参数θ∈{d,c,W,U}的偏导：

F(y

网络参数d、c、W、U的梯度更新如下：

其中，y

通过网络超参数调优，获得最佳的调制识别模型DRBM_disc。最终获得的DRBM_disc模型用于识别高信噪比(高于-2dB)下信号。即信号信噪比高于-2dB时采用DRBM_disc进行识别。

4.4基于生成目标函数训练DRBM(简称为DRBM_gen)，生成目标函数为：

其中

采用随机梯度下降算法训练模型，求取网络参数θ∈{b,d,c,W,U}的偏导：

F(y

采用k步对比散度算法(Contrast Divergence，CD)降低上式右边第二项梯度的计算难度，即用k步吉布斯采样生成的样本点估计值作为期望的近似值。

网络参数b、d、c、W、U的梯度更新为：

上标k表示经过k步吉布斯采样获得的估计值。计算梯度更新时所需条件概率公式为：

其中，sigmoid(a)＝1/(1+exp(-a))。通过网络超参数调优，获得最佳的DRBM_gen模型。对于训练集样本，通过对比散度算法，重构归一化特征向量获得重构数据。将重构数据作为输入，训练基于判别目标函数的DRBM(训练过程与4.3相同)，实现调制识别。经过重构和分类两步操作获得模型DRBM_gen+disc。即信号信噪比高于-2dB时采用DRBM_gen+disc进行识别。

可选的，所述接收信号包括加性高斯白噪声信道、时变相移信道和瑞利信道中BPSK、QPSK、8PSK、8QAM、16QAM、4PAM、CPFSK、GMSK八种调制类型的信号。

本发明还提供一种基于判别式受限玻尔兹曼机的数字调制识别系统，所述系统采用上述方法对接收信号进行调制识别。

本发明还提供上述方法和/或上述数字调制识别系统在无线信号传输中的应用

本发明有益效果是：

通过在RBM的可见层添加判别单元构造独立分类器DRBM，联合高阶累积量，有效识别大动态信噪比条件下BPSK、QPSK、8PSK、8QAM、16QAM、4PAM、CPFSK、GMSK八种数字调制类型。对于信噪比低于-2dB的信号，先利用DRBM的生成能力对其进行重构后再进行分类，具体的，首先基于生成目标预训练DRBM，获得DRBM_gen模型。再基于DRBM_gen模型，对于标签y已知的训练集数据，基于对比散度算法计算出隐含层单元h

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是DRBM的模型结构图。

图2是本发明一个实施例中提供的基于判别式受限玻尔兹曼机的数字调制识别方法的流程图。

图3是基于理论决策的调制识别流程图。

图4是本发明一个实施例中提供的基于判别式受限玻尔兹曼机的数字调制识别方法与传统算法的识别率对比曲线图；其中，图4A为AWGN信道中调制识别率对比图，图4B为TPO信道中调制识别率对比图，图4C为Rayleigh信道中调制识别率对比图。

图5为基于重构数据和基于原始数据的识别率对比图，图5A为AWGN信道中的识别率对比图，图5B为TPO信道中的识别率对比图，图5C为Rayleigh信道下的识别率对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

数字调制为认知无线电系统中主要调制方式，为提高大动态信噪比(信噪比变化范围大)下数字信号的调制识别率，本发明提出基于判别式受限玻尔兹曼机的数字调制识别，在RBM的可见层添加判别单元构造独立分类器DRBM，实现二进制相移键控(BinaryPhase Shift Keying，BPSK)、正交相移键控(Quadrature Phase Shift Keying，QPSK)、八进制相移键控(8 Phase Shift Keying，8PSK)、八进制正交幅度调制(8 QuadratureAmplitude Modulation，8QAM)、十六进制正交幅度调制(16 Quadrature AmplitudeModulation，16QAM)、四进制脉冲幅度调制(4 Pulse Amplitude Modulation，4PAM)、连续相位频移键控(Continuous Phase Frequency Shift Keying，CPFSK)、高斯最小频移键控(Gaussian Filtered Minimum Shift Keying，GMSK)八种数字调制信号在大动态信噪比下的高效识别。

实施例一：

本实施例提供一种基于判别式受限玻尔兹曼机的数字调制识别方法，所述方法包括：

S1将接收信号进行下变频、匹配滤波和离散化处理后获得数字基带信号的符号序列；

S2提取符号序列的高阶累积量特征，将高阶累积量特征进行能量归一化后取绝对值构建信号特征数据集，并构建每个符号序列对应的调制类型标签；

S3将信号特征数据集中的高阶累积量特征构成特征向量并进行最大值最小值归一化，即将所有特征取值缩放到[0,1]之间，获得归一化特征向量；

S4将所述归一化特征向量作为调制识别模型DRBM的输入、对应的调制类型标签作为输出，针对信号受干扰程度轻重，通过不同训练方式获得两个识别模型。第一个模型：基于判别目标函数训练所述DRBM模型，对网络超参数进行调优，获得DRBM_disc分类器，用于直接识别信噪比高于-2dB的数字信号的调制类型；第二个模型：基于生成目标函数训练所述DRBM模型，对网络参数进行调优，获得DRBM_gen模型后，基于对比散度算法，重构归一化特征向量，获得重构特征数据集；将重构特征数据集作为输入，再度基于判别式目标函数训练DRBM模型，对网络参数进行调优，即对于信噪比低于-2dB的信号，需经过重构、分类两步处理获得DRBM_gen+disc模型；

S5对新采集的、调制类型未知的数字信号经下变频、匹配滤波和离散化等预处理获得基带符号序列，提取符号序列的高阶累积量特征，经过能量归一化构成特征向量，特征向量经最大值最小值归一化获得归一化特征向量，将归一化特征向量输入最终的识别模型进行调制类型识别，获得信号调制类型标签。识别过程中，对于信噪比较低(低于-2dB)，受严重干扰的数字信号，利用DRBM_gen+dis模型对其进行输入数据重构再进行调制类型识别；对于高信噪比下(高于-2dB)信号，可直接利用DRBM_disc模型进行调制类型识别。

如图1所示，为本申请提供的DRBM的模型结构图；DRBM在RBM的结构基础上将可见层分为输入层和输出标签层两部分，输入层、标签层分别和隐含层对称连接，但是层内以及层间无连接，即输入层、标签层和隐含层变量在给定状态的条件下是独立的。

实施例二

本实施例提供一种基于判别式受限玻尔兹曼机的数字调制识别方法，参见图2，所述方法包括：

S1：接收端信号经下变频、匹配滤波和离散化处理后获得数字基带信号的符号序列，其信号模型为：

其中，P表示信号平均功率，s(n)为信号传输符号，θ为相频偏移，h(n)为信道响应函数。g(n)为服从N～(0,σ

S2：提取符号序列的高阶累积量，将累积量特征进行能量归一化后取绝对值，构建信号特征数据集，并构建每个符号序列对应的调制类型标签。

S3：将信号特征数据集中的高阶累积量特征构成特征向量并进行最大值最小值归一化，即将所有特征取值缩放到[0,1]之间，获得归一化特征向量。

S4：将所述归一化特征向量作为调制识别模型DRBM的输入、对应的调制类型标签作为输出，针对信号受干扰程度轻重，通过不同训练方式获得两个识别模型。第一个模型：基于判别目标函数训练所述DRBM模型，对网络超参数进行调优，获得DRBM_disc分类器，用于直接识别信噪比高于-2dB的数字信号的调制类型；第二个模型：基于生成目标函数训练所述DRBM模型，对网络参数进行调优，获得DRBM_gen模型后，基于对比散度算法，重构归一化特征向量，获得重构特征数据集；将重构特征数据集作为输入，再度基于判别式目标函数训练DRBM模型，对网络参数进行调优，即对于信噪比低于-2dB的信号，需经过重构、分类两步处理获得DRBM_gen+disc模型；

S5：对新采集的、调制类型未知的数字信号经下变频、匹配滤波和离散化等预处理获得基带符号序列，提取符号序列的高阶累积量特征，经过能量归一化构成特征向量，特征向量经最大值最小值归一化获得归一化特征向量，将归一化特征向量输入最终的识别模型进行调制类型识别，获得信号调制类型标签。识别过程中，对于信噪比较低(低于-2dB)，受严重干扰的数字信号，利用DRBM_gen+dis模型对其进行输入数据重构再进行调制类型识别；对于高信噪比下(高于-2dB)信号，可直接利用DRBM_disc模型进行调制类型识别。步骤S2中，构建信号特征数据集和对应的调制类型标签包括：

S2-1：分别构建训练集、验证集和测试集。训练集用于训练模型，验证集用于观测训练结果。测试集用于检验模型最终的识别效果以及泛化能力。

其中，在训练集和验证集中，每个符号序列的平均信噪比为-10dB～18dB区间内的随机值；在测试集中，每种调制类型的符号序列对应特定的信噪比-10dB，-8dB，…，16dB，18dB；

S2-2：符号序列对应的调制类型标签为y∈{1,2,…,C}，C为调制类型。对标签进行One-Hot编码后作为模型的输出，即输出向量为：

即对应调制类型的单元位置为激活状态1，其余为0。对本发明将要识别的八种调制方式设计调制类型标签并进行编码，如表1所示：

表1 调制类型标签

步骤S2中，通过计算符号序列y(n)的p阶混合矩M

M

其中p，q为矩的阶数，E()表示求均值，y

C

C

C

对于接收的符号序列样本，其混合矩的样本估计值为

其中，N为符号序列y(n)的采样点数，通常会预先对y(n)去均值。根据2.2中的各阶累积量公式估计出每个符号序列y(n)的二、四、六阶累积量特征估计值：

对高阶累积量特征估计值进行能量归一化：

其中，

对二阶、四阶和六阶累积量估计值取绝对值得到

步骤S3中将信号特征数据集中的高阶累积量特征构成特征向量，再经过最大值最小值归一化处理，得到的归一化特征向量表示为

步骤S4中，DRBM在RBM的结构基础上将可见层分为输入层x和输出标签层y两部分，其模型结构如图1所示，输入层x、标签层y分别和隐含层h对称连接，但是层内以及层间无连接，即输入层x、标签层y和隐含层变量h在给定状态的条件下是独立的。

具体的，利用二值随机隐含层单元h＝(h

其中W，U分别为输入x，输出y与隐含层h之间的权重，b，c，d分别为x，h，y的偏置。F(x,y)为自由能函数。此监督学习模型最终通过已知输入求输出的条件概率函数实现调制类型决策：

其中，softplus(a)＝log(1+exp(a))，最终取概率值最大的索引为目标调制类型。

步骤S4中，DRBM作为一个概率生成模型，可对x、y的联合分布建模，因此生成目标函数是一个可选择的训练目标：

采用k步对比散度算法(Contrast Divergence，CD)降低梯度的计算难度，即用k步吉布斯采样生成的样本点估计值作为期望的近似值，现有研究学者的研究表明可通过CD-k算法有效学习到拟合输入的有意义的数据表示。最后，基于生成式目标函数的梯度更新为：

计算梯度更新时所需条件概率公式为：

最后，批量更新网络参数

由全概率公式可知-logp(x,y)＝-logp(y|x)+logp(x)，即生成目标函数同时对边缘概率p(x)和条件概率p(y|x)建模，因此DRBM同时具有生成能力和分类能力。本申请利用基于生成式目标函数的DRBM(简称为DRBM_gen)重构数据，以提高低信噪比下信号的识别性能，重构过程如下表2所示。

表2 基于DRBM_gen的数据重构算法

上标(0)表示原数据，上标(1)表示经过一步吉布斯采样。

步骤S4中，易知生成目标函数消耗一部分能力用于边缘概率p(x)的建模，而导致分类效率不够理想。

因此本发明选择判别式目标函数来训练分类器网络(简称为DRBM_disc)，实现最终的调制识别：

可知，判别式目标函数更专注监督学习部分，因此更适用于本发明的调制识别任务。同样，基于此目标函数，利用随机梯度下降，求取网络参数θ∈{d,c,W,U}的偏导：

由于此目标函数的计算过程不涉及x的偏置，因此偏置b的更新为0。分批训练网络，更新参数如下：

其中，

由于本发明提取的特征向量维度较低，所以计算复杂度不高。基于DRBM_disc的调制识别如下表3所示。

表3基于DRBM_disc的调制识别算法

步骤S5中，对于新采集的调制类型未知的数字信号，通过信号检测技术检测其信噪比，根据步骤S4中模型的测试结果，选择合适的调制识别方案。信噪比较低时选择先重构输入再分类性能更佳；对于噪声干扰不严重的信号，直接对原始特征向量进行分类，效果更佳。

本发明提供的基于判别式受限玻尔兹曼机的数字调制识别中，提出一种联合高阶累积量和DRBM的调制识别方法，可有效识别大动态信噪比条件下BPSK、QPSK、8PSK、8QAM、16QAM、4PAM、CPFSK、GMSK八种数字调制类型。DRBM同时具有生成能力和分类能力。基于判别式目标函数的DRBM(DRBM_disc)具有较强分类能力，可有效实现调制识别。基于生成式目标函数的DRBM(DRBM_gen)在对输入和输出标签的条件概率分布进行建模的同时，利用部分能力对输入数据的边缘分布进行建模，因此具有一定的生成能力。

为了有效实现调制识别，本发明对于信噪比高，受噪声干扰不严重的信号，采用DRBM_disc模型直接进行调制识别；对于低信噪比下的信号，本发明首先基于生成目标预训练DRBM，基于完成训练DRBM_gen模型，对于标签y已知的训练集数据，基于条件概率分布计算出隐含层单元h

本发明的技术方案中，DRBM模型结构简单，相对其他基于RBM的研究，有效降低了训练成本和参数对内存的消耗，同时保障了信号在大动态信噪比下的识别率。

为验证本发明提出的基于判别式受限玻尔兹曼机的数字调制识别方法对于信号的识别率，本申请将传统调制识别方法和本申请方法进行对比实验如下：

一、用于对比分析的传统调制识别方法包括：

(1)基于理论决策(Decision Theore，DT)的调制识别

分析各种调制方式的各阶累积量特性，设计分类特征和分类阈值，构成如图2所示分层结构，采用基于高阶累积量的分层结构来识别信号调制类型。

(2)基于高阶累积量-SVM的调制识别

SVM作为一种高效的监督学习模型，具有很强的泛化能力，结合高阶累积量抑制噪声的特性，可有效实现调制识别。采用一对一的最小二乘SVM模型，选用径向基核函数，将高阶累积量构成的特征向量

二、实验结果与分析

(1)本申请方法

分别对加性高斯白噪声(Additive White Gaussian Noise，AWGN)信道、时变相移(Time-varying Phase Offset，TPO)信道和瑞利(Rayleigh)信道中BPSK、QPSK、8PSK、8QAM、16QAM、4PAM、CPFSK、GMSK八种调制类型进行调制识别。

三种信道环境的基本设置如下：

(a)AWGN信道：含加性高斯白噪声，信噪比为[-10,18]dB，输入信号的均方功率为1W；

(b)TPO信道：含有随机时变相位偏移，每个传输符号的相位偏移从[0,π

(c)Rayleigh信道：路径延迟为1.5e-4，平均路径增益为3，最大多普勒频移为0.01Hz，信噪比为[-10,18]dB

符号序列长度均设置为100。

(2)对于基于DT的调制识别方法

设计

一共随机生成120000样本，每种调制类型的信号对应每种特定信噪比生成1000个样本，例如生成1000个信噪比为18dB的BPSK信号。

本申请方法中，模型权重初始化为满足Glorot均匀分布，偏置初始化为0，隐含层单元个数为32。

将经过预处理的|C20|、|C40|、|C41|、|C42|、|C60|、|C61|、|C62|、|C63|作为输入特征向量。数据集设置如下：

(a)训练集一共160000样本，每种调制方式含20000样本，每个信号序列的平均信噪比为[-10,18]dB间的随机值；

(b)验证集一共16000样本，每种调制方式含2000样本，每个信号序列的平均信噪比为[-10,18]dB间的随机值

(c)测试集一共120000样本，每种调制类型的信号对应每种特定信噪比(-10dB,-8dB,…,10dB,…,18dB)生成1000个样本。

三种信道环境下训练集和验证集的信噪比均为随机动态的。基于高阶累积量-SVM的调制识别算法与本申请方法使用同一数据集。SVM选用径向基核函数，内核系数为0.01。

本申请方法与上述列出的两种传统算法的识别率对比曲线如图4所示。对于本申请方法，分析了基于两种不同目标函数的网络的识别性能。图4A为AWGN信道中调制识别率对比图，由图可知DT算法在12dB～18dB达到91.26％以上的识别率，但总体识别率与SVM、DRBM_disc相比明显偏低；

当信噪比为8dB～18dB，SVM达到92.4％以上的识别率，本申请方法中的DRBM_disc模型达到95.15％以上的识别率。

在-4dB～6dB之间，本申请方法中的DRBM_disc模型的识别率明显优于SVM，约高出5.05％～10.83％。但由图4A可知本申请方法中的DRBM_gen模型在-4dB～6dB之间识别性能不稳定，且效果差。

图4B为同时存在时变随机相移和高斯噪声的TPO信道环境中调制识别率对比图，由图4B可知DT算法性能最差，DRBM_gen依旧不理想但略优于DT。

在-2dB～6dB之间，DRBM_disc的识别率比SVM约高3.96％～9.3％。

图4C为同时含有平坦频率衰落和高斯噪声的Rayleigh信道，由图4C可知DRBM_disc识别率略优于SVM，DT最差，本申请方法中的DRBM_gen模型识别率与DRBM_disc的差距有所减小。

由以上分析可知，DT算法仅在AWGN信道中有较好表现，在其他两种信道中已不再具备调制识别的能力，可见基于理论分析的决策算法，不适用于信号受较强干扰的情况。DRBM_gen的识别性能不理想，是因为基于生成目标函数的DRBM模型耗费部分能力来拟合输入分布，从而较大的影响了识别性能。

通过观察三种信道环境下的识别率曲线，发现环境越复杂，本申请中的DRBM_gen模型的识别性能反而越稳定，该模型在训练过程中偏向拟合受损数据。本申请中的DRBM_disc模型与传统方法相比，在三种信道下识别率均为最优，且保持了一定的鲁棒性，由此可见本申请方法中的DRBM_disc模型在动态信噪比环境中进行调制识别具有一定优势。

(2)基于重构数据的调制识别

基于DRBM_disc模型虽然性能相对于传统方法有所提高，但是低信噪比下信号的识别率仍不理想，尤其是信噪比为-2dB以下的数字信号。为了提高低信噪比下信号识别率，首先基于生成目标预训练DRBM，观测重构误差判断模型对输入分布的拟合程度。保存完成预训练的DRBM的网络参数，再基于CD-k算法，从隐含层h重构输入层x，将此时获得的重构数据x

仿真实验中取CD-k算法中的k为1，基于生成目标预训练DRBM(网络结构设置与(1)中相同)，保存网络参数，重构训练集、验证集和测试集，且将保存的网络参数作为后续基于判别目标的DRBM模型的初始化参数。基于重构数据再次训练DRBM_disc。最终获得适用于信噪比信号的调制识别模型DRBM_gen+disc。

基于重构数据和基于原始数据的识别率对比如图5所示，三种信道中的识别性能均两级分化严重，图5A为AWGN信道中的识别率对比，由图5A可知在-10dB～-2dB的信噪比情况下，识别率有明显提高，-10dB下约提高24.4％，但是0dB～18dB之间性下降严重。

同样，图5B为TPO信道中的识别率对比，在-10dB～-2dB下，性能提升明显。

图5C为Rayleigh信道下的识别率对比，在-10dB～2dB下均有提升，2dB下提高约3.9％。

由以上仿真结果可知，重构数据仅仅提高了信号在低信噪比下的识别率，但随着信噪比的提高，此模型对信号识别率不再有优化作用。且AWGN信道中高信噪比下信号识别率的损失值高于其他两种更加复杂的信道。可见，低信噪比下，预训练偏向p(x)，可见特定信噪比的实验对比，低信噪比下生成目标的识别率是最低的(低于判别和重构)，高信噪比下重构是最低的，可见预训练时有所偏重。预训练过程中网络偏向拟合严重受损数据，对其有恢复、抗干扰的作用。但在高信噪比下预训练偏向p(y|x)，是降低了对高信噪比下数据的拟合程度，导致性能不理想。对于未知信号，可先检测信号信噪比，对于信噪比低于-2dB的数字信号，采用先重构再分类的方法，可有效提高识别率。

本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。