(19)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 202211314415.7 (22)申请日 2022.10.26 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 李保国　姚怡舟　邓文　王翔　 黄知涛　鹿旭　刘毅远　孙鹏　 (74)专利代理 机构 北京盛询知识产权代理有限 公司 11901 专利代理师 张先蓉 (51)Int.Cl. G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于CycleGan的多特征降噪调制识别 方法 (57)摘要 本发明公开了一种基于CycleGan的多特征 降噪调制识别方法,包括以下步骤： 构建多特征 联合降噪网络模型， 基于CycleGan网络对原始信 号提取多特征序列， 基于多特征序列对所述多特 征联合降噪网络模型进行训练， 获得降噪后的数 据序列； 构建多特征识别网络模型， 通过高信噪 比信号对所述多特征识别网络模 型进行训练， 将 所述降噪后的数据序列进行融合处理输入训练 好的所述多特征识别网络模型， 获得信号分类结 果。 本发明有效利用CycleGan网络非配对训练特 性， 使信号学习非配对高信噪比信号的平滑特 征； 将用信号的多特征作为训练网络的融合特征 进行降噪， 并且利用信号特征区别更大的单特征 相正交分量进行识别， 有效提高了识别率。 权利要求书1页 说明书9页 附图13页 CN 115392325 A 2022.11.25 CN 115392325 A 1.一种基于 CycleGan的多特 征降噪调制识别方法， 其特 征在于， 包括以下步骤： 构建多特征联合降噪网络模型， 基于CycleGan网络对原始信号提取多特征序列， 基于 所述多特 征序列对所述多特 征联合降噪网络模型进行训练， 获得降噪后的数据 序列； 构建多特征识别网络模型， 通过高信噪 比信号对所述多特征识别网络模型进行训练， 将所述降噪后的数据序列进行融合处理输入训练好的所述多 特征识别网络模型， 获得信号 分类结果； 所述多特征序列包括第 一部分特征序列和第 二部分特征序列， 其中所述第 一部分特征 序列包括： 低信噪比信号的同相正交分量、 频谱特征、 幅度相位序列； 所述第二部分特征序 列包括： 高信噪比信号的同相正交分量、 频谱特 征、 幅度相位序列； 所述CycleGan网络具体包括： 第一CycleGan网络、 第二CycleGan网络和第三CycleGan 网络， 所述第一C ycleGan网络的两端包括低信噪比信号的同相正交分量和高信噪比信号的 同相正交分量， 所述第二C ycleGan网络的两端包括低信噪比信号的频谱 特征和高信噪比信 号的频谱 特征， 所述第三C ycleGan网络的两端包括低信噪比信号的幅度相位序列和高信噪 比信号的幅度相位序列。 2.如权利 要求1所述的基于CycleGan的多特征降噪调制识别方法， 其特征在于， 基于所 述多特征序列对所述多特征联合降噪网络模型进 行训练具体包括： 将所述第一部分特征序 列输入所述CycleGan网络的其中一端， 再将所述第二部分特征序列输入 所述CycleGan网络 的另一端， 对所述多特 征联合降噪网络模型进行训练。 3.如权利 要求1所述的基于CycleGan的多特征降噪调制识别方法， 其特征在于， 将所述 降噪后的数据序列进 行融合处理具体包括： 将所述降噪后的数据序列进 行特征融合 获得新 的特征序列。 4.如权利 要求1所述的基于CycleGan的多特征降噪调制识别方法， 其特征在于， 所述多 特征联合降噪网络模型包括生成器和域判别器； 所述多特征识别网络模型包括特征提取器 和分类器。 5.如权利 要求4所述的基于CycleGan的多特征降噪调制识别方法， 其特征在于， 所述生 成器用于将所述原始信号通过解码、 转换和解码得到生成信号； 所述域判别器用于将所述 生成信号 通过特征提取和分类获得判别结果。 6.如权利 要求4所述的基于CycleGan的多特征降噪调制识别方法， 其特征在于， 所述特 征提取器包括5层卷积神经网络和1个全连接层， 用于提取所述降噪后的数据序列的特征， 所述分类 器包括3层全连接层， 用于对所述降噪后的数据 序列的特 征进行分类。权　利　要　求　书 1/1 页 2 CN 115392325 A 2一种基于CycleGa n的多特征降噪调制识别方 法 技术领域 [0001]本发明属于信号降噪识别技术领域， 尤其涉及一种基于CycleG an的多特征降噪调 制识别方法。 背景技术 [0002]传统的降噪方法有基于滤波降噪、 基于小波阈值降噪等， 可以通过使用设计好的 滤波器和软阈值， 借助噪声特性来抑制噪声。 然而在传统的降噪算法可能无法很好的去除 带内噪声， 而且需要了解噪声特性来确定阈值等关键参数， 这给通常在噪声变化的环境中 工作的系统带来巨大挑战。 近年来， 人们将深度学习技术应用到降噪 的任务中， 来提升去噪 性能， 借助深度神经网络， 通过大量数据的离线训练， 在在线部署状态下， 可以做到抑制噪 声。 基于深度神经网络的降噪系统在图像降噪中取得了巨大 的成功。 为了提升低剂量CT图 像质量， 开发出一种基于CycleGan的图像去噪方法， 在使用四分之一剂量图像的峰值信噪 比 （PSNR） 优于非局部均值和字典学习去噪方法， 而且保留了图像和结构相似性指数。 [0003]降噪网络同样可以提高信号的质量， 研究人员正积极的应用深度神经网络进行降 噪， 以提高通信系统的性能和可靠性。 为了提高低信噪比下的识别精度， 提出了一种预去噪 （PDN） 算法来抑制噪声。 针对低概率截获雷达 （LPI） ， 先将雷达信号进行Choi ‑Williams时频 变换， 使用去噪卷积神经网络进行时频图去噪处理， 再使用到Inception ‑V4网络进行识别 的系统。 提出了一种基于噪声学习的深度去噪网络 （TEM ‑NLnet） 用于TEM信号去噪， 通过生 成对抗网络训练构建， 使去噪器学习噪声TEM信号到相应无噪声TEM信号的映射。 提出一种 基于循环谱特征的智能去噪辅助深度学习调制识别系统， 利用相关谱函数的数据集构 造方 法 （SCF） ， 具有对背 景噪声相对不敏感的特点， 经过深度卷积网络进 行特征提取进 行信号分 类。 基于传统去噪器进 行域变换、 收缩和逆变换操作 原理， 提出一种有效的剩余收缩卷积神 经网络 （RS CNN） 辅助去噪器。 针对低信噪比环 境下接收到的通信信号调制识别率低的问题， 亟需提出基于 CycleGan的多特 征降噪调制识别方法。 发明内容 [0004]本发明的目的在于提出一种基于CycleGan的多特征降噪调制识别方法， 对信号提 高了降噪和识别能力。 [0005]为实现上述目的， 本发明提供了一种基于CycleGan的多特征降噪调制识别方法， 包括以下步骤： 构建多特征联合降噪网络模型， 基于CycleGan网络对原始信号提取多特征序列， 基于所述多特 征序列对所述多特 征联合降噪网络模型进行训练， 获得降噪后的数据 序列； 构建多特征识别网络模型， 通过高信噪比信号对所述多特征识别网络模型进行训 练， 将所述降噪后的数据序列进行融合处理输入训练好的所述多特征识别网络模型， 获得 信号分类结果。 [0006]可选的， 所述多特征序列包括第一部分特征序列和第二部分特征序列， 其中所述说　明　书 1/9 页 3 CN 115392325 A 3