一种基于瞬时特征的信号调制识别方法

技术领域

本发明属于通信技术领域，特别是涉及到一种基于瞬时特征的信号调制识别方法。

背景技术

信号调制识别技术在现代合作通信领域以及非合作通信领域都是重要的待解决的问题。伴随着近年来通信技术的飞速发展，以5G为代表的新一代信息通信技术与很多领域的深度融合，人们对通信质量与技术的要求越来越高。在军事领域，调制识别是对目标的通信进行干扰、侦察和监听等行动的前提，对战争的局势起着至关重要的作用。在民用领域，通信信号的识别与监测，频谱的检测与管理都需要识别信号的调制方式和其它参数来对不同用户进行区分，以此来检测非法恶意用户的存在。因此调制识别技术在军事和民用领域都是不可缺少的技术基础。

在调制识别系统过程中，基于特征提取的模式识别方法因其结构简单，所需先验信息少，所需数据量少，适应性强等优点，在实际工程中得到了广泛应用。早在20世纪九十年代，Nandi和Azzouz等人提出的多个瞬时统计特征参数因原理简单、易于提取、性能稳定等优点被称为经典特征参数，一直被后人加以引用或改进。现有的基于瞬时特征的方法大多都是基于零中心归一化瞬时幅度之谱密度最大值γmax；零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σap；零中心非弱信号段瞬时相位非线性分量的标准偏差σdp；零中心归一化瞬时幅度绝对值的标准偏差σaa和零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf五个瞬时统计特征参数进行的。但是瞬时统计特征参数受噪声影响较大，在低信噪比下识别准确率很低。因此，在低信噪比条件下，如何改善瞬时特征抗噪性能，提升最终识别的准确率是目前待解决的一个重要问题。

通信信号调制识别主要是指基带信号的信息被调制在载波的幅度、相位或频率上，调制信号在幅度、相位和频率上的差异是区分不同调制方式的关键，因此利用瞬时特征对通信信号的调制方式进行识别的前提和基础是调制信号瞬时信息的准确提取。

发明内容

本发明所要解决的技术问题是：提供一种基于瞬时特征的通信信号调制模式识别方法，用以解决低信噪比条件下通信信号的噪声干扰影响识别准确率的问题。

一种基于瞬时特征的信号调制识别方法，包括以下步骤，并且以下步骤顺次进行，

步骤一、通信信号获取

对一个基带信号分别进行不同调制方式的处理，获得调制后的多进制振幅键控信号MASK、多进制频移键控信号MFSK或多进制相移键控信号MPSK，使用matlab软件进行上述三类调制信号的仿真，获得通信调制信号S(t)的表达式为：

式中：S(t)为通信信号；t为时间变量；f

步骤二、作信号瞬时功率谱

对所述通信信号S(t)作瞬时功率谱变换IPS，获得信号瞬时功率谱表达式为：

式中：IPS(t,f)为信号S(t)的瞬时功率谱(IPS)变换；t为时间变量；f为频率变量；τ为时间延迟；S

步骤三、瞬时频率和瞬时幅度提取

根据信号瞬时功率谱表达式，推导出由瞬时功率谱性质得到的在时域以及频域上的表达式：

其中，S(t)表示通信信号，S(f)表示S(t)的傅里叶变换；

瞬时频率f

瞬时频率f

步骤四、瞬时相位提取

选择非线性相位作为相位特征序列，将通信信号S(t)在时域上经过希尔伯特变换获得解析信号Z(t)＝H[S(t)]＝x(t)+j*y(t)，再将求得的相位

公式中，Z(t)为希尔伯特变换后的解析信号；x(t)为解析信号实部；y(t)为解析信号虚部；φ(i)为非线性相位；f

步骤五、对特征序列进行采样降维

对步骤三中得到的长度为N的信号瞬时幅度序列和瞬时频率序列，步骤四中获得的长度为N的瞬时相位序列均进行多次隔1采1的降维操作，使长度为N的长序列降到2000个采样点内，其中N为自然数；

步骤六、将提取瞬时特征序列做数据集

选取多进制振幅键控信号MASK、多进制频移键控信号MFSK以及多进制相移键控信号MPSK，并且每种调制信号随机选取M个，其中M为自然数，针对每一个通信信号均重复步骤一至步骤五，分别获得M个相应的降维后的瞬时幅度、瞬时频率以及瞬时相位序列，将M个瞬时幅度序列以.csv文件格式保存形成瞬时幅度序列集，将M个瞬时频率序列以.csv文件格式保存形成瞬时频率序列集，将M个瞬时相位序列以.csv文件格式保存形成瞬时相位序列集，且各数据集中同一序号对应的序列数据来自同一个信号；

步骤七、数据集划分

将瞬时幅度序列集、瞬时频率序列集以及瞬时相位序列集这三个瞬时特征序列集均各自按照设定比例划分成训练集和验证集；

步骤八、卷积神经网络-长短时记忆网络CNN-LSTM模型构建

构建一个三支路并行融合的卷积神经网络-长短时记忆网络CNN-LSTM模型，利用训练集和验证集中的数据，三支路一一对应输入同一序号对应的幅度特征序列，频率特征序列和相位特征序列进行同步训练和验证，获得最优的卷积神经网络-长短时记忆网络CNN-LSTM模型；

步骤九、应用卷积神经网络-长短时记忆网络CNN-LSTM模型进行调制类别的分类识别

将预进行分类识别的多进制振幅键控信号MASK、多进制频移键控信号MFSK或多进制相移键控信号MPSK进行步骤一至步骤五，将获得相应的降维后的瞬时幅度序列、瞬时频率序列以及瞬时相位序列，均以.csv文件格式保存在预留的相应序列集中作为测试集；

将预进行分类识别的通信信号的瞬时幅度序列、瞬时频率序列以及瞬时相位序列的.CSV文件作为输入，输入至步骤八获得的最优的卷积神经网络-长短时记忆网络CNN-LSTM模型，识别出该通信信号的调制类别。

所述步骤八中三支路并行融合的卷积神经网络-长短时记忆网络CNN-LSTM模型的构建方法具体为：

①三支路中每个支路均首先选用处理一维数据的一维卷积神经网络和专门处理时间序列的长短时记忆网络，即选择多层卷积神经网络-长短时记忆网络CNN-LSTM串行的网络结构；

②三支路采用相同的网络结构并且三支路依次设置，

各支路均先自定义一维卷积层的个数，池化层的个数以及长短时记忆网络LSTM个数，再设置每个卷积层中卷积核的个数以及大小，池化层的参数，长短时记忆层的参数；

③将三个设置好的支路采用concatenate连接函数进行连接，将三个网络支路提取的特征进行拼接；

④设置卷积神经网络-长短时记忆网络CNN-LSTM中全连接层的个数以及每层的参数并输入步骤③中拼接特征后的结果；

⑤在卷积神经网络-长短时记忆网络CNN-LSTM中的输出层中使用softmax函数进行多分类任务神经网络的输出，输出通信信号的调制类型即为分类识别结果。

所述步骤八中利用训练集和验证集中的数据，三支路一一对应输入同一序号对应的幅度特征序列，频率特征序列和相位特征序列进行同步训练和验证的具体步骤如下：

①设置三支路并行融合的卷积神经网络-长短时记忆网络CNN-LSTM的初始参数并利用训练集和验证集同时进行神经网络训练，所述初始参数包括迭代次数epoch、学习率、梯度下降函数和损失函数；

②卷积神经网络-长短时记忆网络CNN-LSTM在训练完成后生成训练集和验证集对应的两条损失值曲线，将两条损失值曲线进行拟合，出现欠拟合或过拟合情况则跳转至步骤③，没有出现欠拟合和过拟合情况则跳转至步骤⑤；

③重新设置各支路的卷积层、池化层以及长短时记忆层的个数和参数，重新设置卷积神经网络-长短时记忆网络CNN-LSTM的迭代次数epoch、学习率、梯度下降函数和损失函数；

④针对步骤③中设置新参数的卷积神经网络-长短时记忆网络CNN-LSTM利用训练集和验证集重复步骤①和步骤②进行卷积神经网络-长短时记忆网络CNN-LSTM的训练，直到训练集和验证集对应的两条损失值曲线拟合后不再出现欠拟合和过拟合情况；

⑤保存该卷积神经网络-长短时记忆网络CNN-LSTM作为最优的卷积神经网络-长短时记忆网络CNN-LSTM模型。

通过上述设计方案，本发明可以带来如下有益效果：

1、本发明所述的是一种基于瞬时特征的通信信号调制模式识别方法，通过将信号进行瞬时功率谱变换，得到信号时-频域的信息；通过瞬时功率谱的性质可以得到瞬时频率序列和瞬时幅度序列。选取了瞬时特征序列而不是经典的瞬时统计参数作为预处理特征，减少了需要计算瞬时统计参数的计算量；

2、本发明所述的基于瞬时特征的通信信号调制模式识别方法是经过时频域变换得来的瞬时特征序列，同时具有时域以及频域的信息和特点，可以在低信噪比的条件下，改善经典希尔伯特变换求取瞬时统计特征参数方法对噪声的敏感性，提升低信噪比下识别准确率的问题；

3、本发明所述的采用深度学习分类器进行分类识别过程，可以在神经网络中将数据的特征进行提取并进行分类识别，不需要像经典的瞬时统计特征参数采用的机器学习分类器如决策树和支持向量机等需要在预处理后进行特征参数提取的步骤。通过设计三支路并行融合的网络结构，可以提高由单一特征进行识别的分类准确性。

附图说明

以下结合附图和具体实施方式对本发明作进一步的说明：

图1为本发明一种基于瞬时特征的信号调制识别方法的流程框图；

图2为本发明一种基于瞬时特征的信号调制识别方法的实施例中无噪声条件下的4ASK信号时域波形图；

图3为本发明一种基于瞬时特征的信号调制识别方法的实施例中无噪声条件下的4FSK信号时域波形图；

图4为本发明一种基于瞬时特征的信号调制识别方法的实施例中无噪声条件下的4PSK信号时域波形图；

图5为本发明一种基于瞬时特征的信号调制识别方法的实施例中无噪声条件下4ASK信号的瞬时幅度图；

图6为本发明一种基于瞬时特征的信号调制识别方法的实施例中信噪比为5dB时4ASK信号的经典方法与瞬时功率谱方法的瞬时幅度对比图；

图7为本发明一种基于瞬时特征的信号调制识别方法的实施例中无噪声条件下4FSK信号的瞬时频率图；

图8为本发明一种基于瞬时特征的信号调制识别方法的实施例中信噪比为5dB时4FSK信号的经典方法与瞬时功率谱方法的瞬时频率对比图；

图9为本发明一种基于瞬时特征的信号调制识别方法的实施例中无噪声条件下的4PSK信号瞬时相位和信噪比为5dB时4PSK信号的瞬时相位对比图；

图10为本发明一种基于瞬时特征的信号调制识别方法的实施例中采样降维后的瞬时幅度图；

图11为本发明一种基于瞬时特征的信号调制识别方法的实施例中采样降维后的瞬时频率图；

图12为本发明一种基于瞬时特征的信号调制识别方法的实施例中采样降维后的瞬时相位图；

图13为本发明一种基于瞬时特征的信号调制识别方法的实施例中设计的神经网络结构图。

具体实施方式

下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

为了便于理解和说明，如附图1～13所示，本发明提供了基于瞬时特征的信号调制识别方法，包括以下步骤：

步骤一、通信信号获取对一个基带信号分别进行不同调制方式的处理，获得调制后的多进制振幅键控信号MASK、多进制频移键控信号MFSK或多进制相移键控信号MPSK，每类调制信号都可以通过将基带信号加载到载波信号上产生，产生的方法已经趋于成熟，使用matlab软件进行上述三类调制信号的仿真，通信调制信号S(t)其表达式可以表示为：

式中：S(t)为通信信号；t为时间变量；f

步骤二、作信号瞬时功率谱

对所述通信信号作瞬时功率谱变换(IPS)，瞬时功率谱变换是一种由Page提出的时频分析方法，对窗口参数相当不敏感。即使在分析端点，它也保持了良好的时频局部化特性，其表达式为

式中：IPS(t,f)为信号S(t)的瞬时功率谱(IPS)变换；t为时间变量；f为频率变量；τ为时间延迟；S

步骤三、瞬时频率和瞬时幅度提取

对所述通信信号S(t)的瞬时功率谱变换(IPS)表达式，可以推导出由瞬时功率谱性质得到的在时域以及频域上的表达式：

其中，S(t)表示通信信号，S(f)表示S(t)的傅里叶变换；

瞬时频率f

瞬时频率f

步骤四、瞬时相位提取

对于瞬时相位序列的提取，则选择了非线性相位作为相位特征序列。选择非线性相位作为相位特征序列，将通信信号S(t)在时域上经过希尔伯特变换获得解析信号Z(t)＝H[S(t)]＝x(t)+j*y(t)，再将求得的相位

公式中，Z(t)为希尔伯特变换后的解析信号；x(t)为解析信号实部；y(t)为解析信号虚部；φ(i)为非线性相位；f

步骤五、对特征序列进行采样降维

对步骤三中得到的长度为N的信号瞬时幅度序列和瞬时频率序列，步骤四中获得的长度为N的瞬时相位序列进行多次隔1采1的降维操作，使长度为N的长序列降到2000个采样点内，其中N为自然数，既保留了通信信号瞬时特征不丢失，也降低了数据长度，可以减少后续神经网络调制识别的时间。

步骤六、将提取瞬时特征序列做数据集

选取多进制振幅键控信号MASK、多进制频移键控信号MFSK以及多进制相移键控信号MPSK三种不同种类调制格式的通信信号，每种通信信号随机选取M个，M为自然数，并且M≥500，使用matlab软件对上述方式得到的瞬时幅度、瞬时频率以及相位序列进行仿真生成，每种信号随机生成M个，分别将求得的瞬时幅度、瞬时频率及瞬时相位序列保存为.csv文件格式，要求三个数据集分别存放瞬时幅度序列，瞬时频率序列和瞬时相位序列，且每个数据集对应的序列数据来自同一个信号。

步骤七、数据集划分

将瞬时幅度序列集、瞬时频率序列集以及瞬时相位序列集均各自按照比例划分成训练集和验证集，其中训练集和验证集中的数据均为已知调制类型的序列集；

步骤八、卷积神经网络-长短时记忆网络CNN-LSTM模型构建

深度学习等先进技术作为分类器可以提高自动调制分类的准确性，因为它们能够高效地表示特征，所以特征在同一阶段被提取和分类。这就减少了对特征参数进行提取的部分，在数据预处理后直接输入到神经网络中进行特征提取和分类识别过程。使用python软件进行神经网络分类器的搭建，由于MASK信号的频率是不变的，幅度在载频处取得最大值，最大值的幅度随着信号幅度的变化而变化；MFSK信号的最大值的幅度是不变的，在信号的瞬时频率处出现最大值；MPSK信号通过调制信号的相位来进行区分。因此只通过幅度或者频率或者相位不能将六种通信信号(2ASK,4ASK,2FSK,4FSK,2PSK,4PSK)识别开来；

为了克服上述原因，构建一个三支路并行融合的神经网络，三支路分别一一对应输入训练集或验证集中的同一序号对应的幅度特征序列，频率特征序列和相位特征序列进行同步训练和验证，

其中，训练集用来训练设置好的三支路并行融合的卷积神经网络-长短时记忆网络CNN-LSTM，利用训练集和验证集中的数据，将作为训练数据的已知调制类型的三个不同瞬时特征序列的.CSV文件作为输入，设置训练参数，对设置好的卷积神经网络进行训练，获得最优的卷积神经网络-长短时记忆网络CNN-LSTM模型并保存；

步骤九、应用卷积神经网络-长短时记忆网络CNN-LSTM模型进行通信信号调制类别的分类识别

保存训练好的神经网络，将训练并调参最好的神经网络模型保存，最后将预进行分类识别的多进制振幅键控信号MASK、多进制频移键控信号MFSK或多进制相移键控信号MPSK进行步骤一至步骤五，将获得相应的降维后的瞬时幅度序列、瞬时频率序列以及瞬时相位序列，均以.csv文件格式保存在预留的相应序列集中作为测试集；将测试集中预进行分类识别的通信信号的瞬时幅度序列、瞬时频率序列以及瞬时相位序列这三个瞬时特征序列的.CSV文件作为输入，输入到步骤八中保存的最优的卷积神经网络-长短时记忆网络CNN-LSTM模型进行分类识别，识别出该通信信号的调制类别。

所述三支路并行融合的卷积神经网络-长短时记忆网络CNN-LSTM模型的构建方法具体为：

①三支路中每个支路均首先选用处理一维数据的一维卷积神经网络和专门处理时间序列的长短时记忆网络，即选择多层卷积神经网络-长短时记忆网络(CNN-LSTM)串行的网络结构；

②三支路采用相同的网络结构并且三支路依次设置，

各支路均先自定义维卷积层的个数为I，池化层的个数为J，长短时记忆网络LSTM个数为K，再设置每个卷积层中卷积核的个数以及大小，池化层的参数，长短时记忆层的参数；

③将三个设置好的支路采用concatenate连接函数进行连接，将三个网络支路提取的特征进行拼接；

④设置卷积神经网络-长短时记忆网络CNN-LSTM中全连接层的个数以及每层的参数并输入步骤③中的拼接特征后的结果；

⑤在卷积神经网络-长短时记忆网络CNN-LSTM的输出层中使用softmax函数进行多分类任务神经网络的输出，输出通信信号的调制类型即为分类识别结果。

所述步骤八中利用训练集和验证集中的数据，三支路一一对应输入同一序号对应的幅度特征序列，频率特征序列和相位特征序列进行同步训练和验证的具体步骤如下：

①设置三支路并行融合的卷积神经网络-长短时记忆网络CNN-LSTM的初始参数并利用训练集和验证集同时进行神经网络训练，所述初始参数包括迭代次数epoch、学习率、梯度下降函数和损失函数；

②卷积神经网络-长短时记忆网络CNN-LSTM会在训练完成后生成训练集和验证集对应的两条准确值曲线以及训练集和验证集对应的两条损失值曲线。随着准确值的升高，损失值相应下降，由于二者的对应关系，因此只利用损失值曲线来进行训练情况的判断。随着迭代次数的增加损失值失值曲线一直下降到后来会逐渐趋于平缓。损失值曲线趋于平缓就表示卷积神经网络-长短时记忆网络CNN-LSTM训练基本完成，但不一定最优，还得看两条损失值曲线的拟合程度。将训练集和验证集对应的两条损失值曲线进行拟合，出现欠拟合或过拟合情况则跳转至步骤③，没有出现欠拟合和过拟合情况则跳转至步骤⑤；

③重新设置各支路的卷积层、池化层以及长短时记忆层的个数和参数，重新设置卷积神经网络-长短时记忆网络CNN-LSTM的迭代次数epoch、学习率、梯度下降函数和损失函数等参数；

④针对步骤③中设置新参数的卷积神经网络-长短时记忆网络CNN-LSTM利用训练集和验证集重复步骤①和步骤②进行卷积神经网络-长短时记忆网络CNN-LSTM的训练，直到训练集和验证集对应的两条损失值曲线拟合后不再出现欠拟合和过拟合情况；

⑤保存该卷积神经网络-长短时记忆网络CNN-LSTM作为最优的卷积神经网络-长短时记忆网络CNN-LSTM模型。

实施例：

为了使本技术领域的人员更好地理解本实施例所述的方法，下面举一具体实例对该方法进行说明。

仿真条件：载波频率为1000Hz，采样频率为40000Hz，符号速率为50B，码元个数为16，采样点数为12800，得到信号序列S(n)，n＝1，2，......12800，窗函数选择高斯窗，窗长设置为255，在高斯白噪声条件下，信噪比设置为5dB；

1.通信信号获取

设置调制参数并对所述的通信信号MASK，MFSK，MPSK进行仿真获取，每类调制信号都可以通过将基带信号加载到载波信号上产生，产生的方法已经趋于成熟

通信调制信号S(t)其表达式可以表示为

式中：S(t)为通信信号；t为时间变量；f

使用matlab软件仿真，在上述仿真条件下可以获取到通信信号调制结果。如图2所示为无噪声条件下的4ASK信号时域波形图，如图3所示为无噪声条件下的4FSK信号时域波形图，如图4所示为无噪声条件下的4PSK信号时域波形图。

2.作信号瞬时功率谱

对所述通信信号S(t)作瞬时功率谱变换(IPS)，瞬时功率谱变换是一种由Page提出的时频分析方法，对窗口参数相当不敏感。即使在分析端点，它也保持了良好的时频局部化特性，其表达式为

式中：IPS(t,f)为信号S(t)的瞬时功率谱(IPS)变换；t为时间变量；f为频率变量；τ为时间延迟；S

3.瞬时频率和瞬时幅度提取

对所述通信信号S(t)的瞬时功率谱变换(IPS)表达式，可以推导出由瞬时功率谱性质得到的在时域以及频域上的表达式：

其中，S(t)表示通信信号，S(f)表示S(t)的傅里叶变换；

瞬时频率f

瞬时频率f

由于MASK信号的频率是不变的，幅度在载频处取得最大值，最大值的幅度随着信号幅度的变化而变化；以4ASK信号为例观察瞬时幅度。如图5所示为无噪声条件下4ASK信号的瞬时幅度图，图6为信噪比为5dB时4ASK信号的经典方法与瞬时功率谱方法的瞬时幅度对比图；

由于MFSK信号的最大值的幅度是不变的，在信号的瞬时频率处出现最大值；以4FSK信号为例观察瞬时频率。图7为无噪声条件下4FSK信号的瞬时频率图，图8为信噪比为5dB时4FSK信号的经典方法与瞬时功率谱方法的瞬时频率对比图；

4.瞬时相位提取

对于瞬时相位序列的提取，则选择了非线性相位作为相位特征序列。选择非线性相位作为相位特征序列，将通信信号S(t)在时域上经过希尔伯特变换获得解析信号Z(t)＝H[S(t)]＝x(t)+j*y(t)，再将求得的相位

公式中，Z(t)为希尔伯特变换后的解析信号；x(t)为解析信号实部；y(t)为解析信号虚部；φ(i)为非线性相位；f

图9为无噪声条件下的4PSK信号瞬时相位和信噪比为5dB时4PSK信号的瞬时相位对比图；

5.对特征序列进行采样降维

对上述得到的长度为12800的信号瞬时幅度序列，瞬时频率序列及瞬时相位序列进行多次隔1采1的操作，使长度为12800的长序列降到2000个采样点内的长度为1600的序列，既保留了通信信号瞬时特征不丢失，也降低了数据长度，可以减少后续神经网络调制识别的时间。

如图10所示为采样降维后的瞬时幅度图；图11为采样降维后的瞬时频率图；图12为采样降维后的瞬时相位图；

6.提取瞬时特征序列做数据集

分别使用matlab软件对M个多进制振幅键控信号MASK、M个多进制频移键控信号MFSK以及M个多进制相移键控信号MPSK通过上述方式对得到的瞬时幅度、瞬时频率以及相位序列进行仿真生成，每种信号随机生成1000个，分别将每一个信号求得的瞬时幅度、瞬时频率及瞬时相位序列保存为.csv文件格式，在数据集生成时要保证，1)要求三个数据集分别存放瞬时幅度序列，瞬时频率序列和瞬时相位序列，2)每个数据集对应的序列数据来自同一个信号样本，3)给信号样本打标签，在打标签时每个信号样本的三个特征序列都打同一个标签，4)每类信号打同一种标签。

7.卷积神经网络-长短时记忆网络CNN-LSTM模型构建

深度学习等先进技术作为分类器可以提高自动调制分类的准确性，因为它们能够高效地表示特征，所以特征在同一阶段被提取和分类。这就减少了对特征参数进行提取的部分，在数据预处理后直接输入到神经网络中进行特征提取和分类识别过程。

使用python软件进行神经网络分类器的搭建，搭建一个三支路并行融合神经网络，每个支路分别输入幅度特征序列，频率特征序列和相位特征序列,每支路的输入序列长度为1600。

设置卷积神经网络-长短时记忆网络CNN-LSTM模型的结构及参数，每一支路选用的神经网络都是多层卷积神经网络-长短时记忆网络CNN-LSTM串行的网络结构，首先设置10个一维卷积层和4个最大池化层，设置10个卷积层均采用一维卷积，第一个卷积层和第二个卷积层均采用64个大小为1*15的卷积核，然后连接池化层；第三个卷积层和第四个卷积层均采用128个大小为1*13的卷积核，接下来连接池化层；第五个卷积层到第七个卷积层均采用256个大小为1*11的卷积核，接下来连接池化层；第八个卷积层到第十个卷积层均采用512个大小为1*9的卷积核，接下来连接池化层；四个池化层均选用的是大小为1*2的最大池化，然后设置长短时记忆层的参数为10，然后将三个支路通过concatenate函数连接在一起，接下来再设置两层全连接层，神经元个数分别为256和128，激活函数都选用relu激活函数，最后选用softmax激活函数作为输出层，输出层神经元的个数为6；

8.将提取的瞬时特征序列输入到卷积神经网络-长短时记忆网络CNN-LSTM模型中进行调制识别

将原每种信号1000个的数据集按照训练集70％，验证集30％的比例划分好，利用训练集和验证集同时训练设置好的CNN-LSTM网络，将作为训练数据的已知调制类型的瞬时幅度序列、瞬时频率序列以及瞬时相位序列这三个不同瞬时特征序列的.CSV文件作为三个网络支路的输入，设置训练参数，对设置好的卷积神经网络进行训练；

根据训练集和验证集绘制的损失函数值曲线是否出现过拟合或者欠拟合情况调整神经网络的超参数如学习率、迭代次数、损失函数和优化器，通过反向传播算法更新模型内部权重参数，直到达到最优的网络参数；保存训练并调参最优的卷积神经网络-长短时记忆网络CNN-LSTM模型；

9.重复步骤1-5，重新生成300个信号样本，分别得到300个瞬时幅度序列，瞬时频率序列和瞬时相位序列，分别将其制作成.CSV文件作为测试集，将三个瞬时特征序列的测试集输入到上述训练好的最优的卷积神经网络-长短时记忆网络CNN-LSTM模型中进行分类识别。

经典的瞬时统计特征参数提取方法在低信噪比下对噪声敏感，同时经典方式大多采用的机器学习的决策树、支持向量机和BP神经网络分类器进行分类识别需要在信号预处理后进行参数提取的问题。本发明提供了一种基于瞬时特征的通信信号调制模式识别方法，针对MASK,MFSK,MPSK(具体为2ASK,4ASK,2FSK,4FSK,2PSK,4PSK六种通信信号)本身的特点，采用瞬时功率谱求出信号的瞬时幅度和瞬时频率序列，用经典希尔伯特变换求出相位序列，同时采用三支路并行的卷积神经网络-长短时记忆网络对一维瞬时特征序列进行分类识别，减少了提取特征参数的步骤，是一种高斯白噪声背景下基于瞬时特征序列的通信信号调制方式识别方法。