本发明属于通信
技术领域：
，具体涉及一种基于一维多输入卷积神经网络的信道编码盲识别方法。
背景技术：
：近年来，随着通信技术的不断发展，无论是在卫星、移动互联网通信领域，还是软件无线电通信领域，如何在信号传输过程中进行噪声干扰识别、在非合作通信系统中进行信息与信号的截获识别、以及在复杂恶劣通信环境中实现自适应的智能可靠的通信系统，都是当前研究热点，而信道编码识别及参数估计是其中必须解决的关键部分和技术难点。信道编码识别技术通常指在没有控制信道辅助的情况下，接收端根据收到的数据快速地分析出信号的编码类型和编码参数(码率)，为进一步数据分析处理提供可靠保障。当前应用范围较广的信道编码类型主要有bch码、卷积码、rs码、卷积码的级联编码、turbo码和ldpc码，不同编码类型的特点不同，如卷积码属于非分组码，与线性分组码不同的是，卷积码具有记忆性。但在实际信道编码识别过程中，现有技术的算法主要是针对同种类型的编码进行参数估计，较少有对多种类型的编码同时实现编码类型及编码参数的估计。且针对不同的编码类型采用不同的算法的泛化能力不强，复杂度较高，部分还需要先验信息。如现有技术中，中国西安电子科技大学张陈和在其论文《卷积码盲识别技术研究》中针对传统的卷积码参数识别中求解校验序列识别方法的不足加以改进，提出了一种基于统计原理的卷积码盲识别算法。该方案的缺点是在高误码的情况下，无法直接通过提取数据分析矩阵方法得到码长，导致无法求取校验序列。法国南部列塔尼大学m.marazin等人在其论文《dualcodemethodforblindidentificationofconvolutionalencoderforcognitiveradioreceiverdesign》中提出了一种基于bm的快速双合冲算法，通过采用grobner基理论进行建模，解决了1/2码率卷积码的盲识别，但无法解决卷积码高码率情况下的信道编码识别问题。专利申请号202010293872.7《一种基于深度卷积神经网络的信道编码编码参数识别方法》中公开了一种利用软解调后的信道编码序列进行min-max归一化之后的数据作为数据集，构建卷积神经网络进行信道编码识别的方法。该方案操作复杂、计算量大，且未使用传统的信道编码特征，忽略了重要的专家知识，并只在码长较短的卷积码上验证模型性能，对于码长较长如ldpc编码的信道编码信号难以保证性能。因此，如何降低算法模型复杂度的同时，实现长度不同的编码类型以及编码参数的识别还亟待研究。技术实现要素：本发明的目的在于针对上述问题，提出一种基于一维多输入卷积神经网络的信道编码盲识别方法，解决了卫星信道编码信号的编码类型识别以及编码参数估计问题，有效提高识别准确度和泛化性，并简化了通过生成矩阵来识别的传统方法，计算量少、可扩展性强。为实现上述目的，本发明所采取的技术方案为：本发明提出的一种基于一维多输入卷积神经网络的信道编码盲识别方法，包括如下步骤：s1、获取信道编码二进制流数据，构建信道编码样本集；s2、对信道编码样本集中的样本分别进行传统特征提取和组词处理，组词处理将样本的数据以每四比特表示为一个词，满足关系式(x1，x2，x3，…，xn)＝(x1x2x3x4，x5x6x7x8，…，xn-3xn-2xn-1xn)，其中，x1至xn分别为各样本中的第1个至第n个比特数据，并对每个词进行量化处理，量化处理后的词为第一输入值；s3、将传统特征提取中提取的特征均表示为一维特征向量，对各一维特征向量以零元素填充进行维度补齐，并将各一维特征向量合并为特征矩阵，特征矩阵为第二输入值；s4、构建一维多输入卷积神经网络模型，一维多输入卷积神经网络模型包括第一输入层、第二输入层、特征融合层和分类层，第一输入层包括依次连接的词嵌入层、第一卷积层、第二卷积层、第一最大池化层和特征提取模块，特征提取模块包括至少一个inception模块，第二输入层包括第五特征提取层，第五特征提取层包括至少一个inception模块，第一输入值经第一输入层输出第一提取特征，第二输入值经第二输入层输出第二提取特征，第一提取特征和第二提取特征经特征融合层进行融合输出第三提取特征，第三提取特征输出至分类层进行编码识别，并输出识别结果；s5、根据信道编码样本集训练一维多输入卷积神经网络模型，获得最终一维多输入卷积神经网络模型；s6、采集待识别的信道编码二进制流数据，并根据待识别的信道编码二进制流数据获取第一输入值和第二输入值，将第一输入值和第二输入值输入最终一维多输入卷积神经网络模型中进行编码识别，统计各样本识别的类别次数，判定类别次数中最多的一类作为待识别的信道编码二进制流数据的实际编码类型和编码参数。优选地，信道编码样本集的构建过程如下：设定样本截断长度为m比特、固定滑动长度为n比特、随机滑动长度为l比特，自信道编码二进制流数据的起点，每间隔m比特截取一个样本后，滑动n l比特再次截取，直至信道编码二进制流数据的终点，截取的样本总和构成信道编码样本集。优选地，传统特征提取中提取的特征包括广义码重特征、码重相似度特征、深度谱特征、gfft特征和游程特征。优选地，以每四比特表示为一个词对应有十六种组词方式，量化处理为将十六种组词方式分别对应量化为0～15。优选地，inception模块包含沿输入侧至输出侧依次连接的四个并列的卷积层、一个通道拼接层、一个第二最大池化层和一个软阈值模块，且卷积层其一为空洞卷积层。优选地，软阈值模块集成有注意力机制和软阈值函数，通道拼接层为concat层。优选地，特征提取模块包括沿输入侧至输出侧依次连接的第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层，第一特征提取层包括一个inception模块，第二特征提取层包括两个相互串连的inception模块，第三特征提取层和第四特征提取层均包括三个相互串连的inception模块，第五特征提取层包括两个相互串连的inception模块。优选地，分类层包括第一辅助分类层、第二辅助分类层、以及沿输入侧至输出侧依次连接的第六特征提取层、第七特征提取层、第一全局平均池化层和最终分类层，第六特征提取层和第七特征提取层均包括三个相互串接的inception模块，第一辅助分类层的输入侧与第六特征提取层的输入侧连接，第二辅助分类层的输入侧与第七特征提取层的输入侧连接，第一辅助分类层、第二辅助分类层和第一全局平均池化层的输出侧均与最终分类层的输入侧连接。优选地，第一辅助分类层和第二辅助分类层均包括沿输入侧至输出侧依次连接的平均池化层、卷积层、丢弃层、两个全连接层和softmax激活函数，最终分类层包括第二全局平均池化层、全连接层和softmax激活函数。优选地，各卷积层的输出侧还连接有leakyrelu激活函数。与现有技术相比，本发明的有益效果为：1)采用多输入一维卷积神经网络模型解决了卫星信道编码信号的编码类型识别以及编码参数估计问题，并利用有限的样本进行特征提取和训练，通过softmax函数准确地识别出多种不同编码类型和编码参数下的卫星信道编码信号，有效提高识别准确度和泛化性，且计算量少、可扩展性强；2)无需任何先验知识，通过组词处理和传统特征提取并融合，将专家知识以及原始数据的序列信息作为特征，简化了通过生成矩阵来识别的传统方法。附图说明图1为本发明的一维多输入卷积神经网络模型整体结构图；图2为本发明的一维多输入卷积神经网络模型内部结构图；图3为本发明的inception模块结构图；图4为本发明的信道编码盲识别流程图；图5为本发明训练模型的测试集混淆矩阵图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。需要说明的是，本申请中，当组件被称为与另一个组件“连接”时，它可以直接与另一个组件连接或者也可以存在居中的组件。术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、次序。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
技术领域：
的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。如图1-5所示，一种基于一维多输入卷积神经网络的信道编码盲识别方法，包括如下步骤：s1、获取信道编码二进制流数据，构建信道编码样本集。在一实施例中，信道编码样本集的构建过程如下：设定样本截断长度为m比特、固定滑动长度为n比特、随机滑动长度为l比特，自信道编码二进制流数据的起点，每间隔m比特截取一个样本后，滑动n l比特再次截取，直至信道编码二进制流数据的终点，截取的样本总和构成信道编码样本集。具体地，本实施例中设定样本截断长度为32768比特、固定滑动长度为8192比特、随机滑动长度为0～8比特，对获取的卫星信道编码信号片段数据解析为信道编码二进制流数据，并进行截断处理，即每间隔32768比特截取一次样本后滑动8192比特，然后随机滑动0～8比特再次截取一次样本，以此类推，直到数据长度不足32768比特为止，截取的所有样本构建为信道编码样本集，根据获取的不同的卫星信道编码信号片段，信道编码样本集中包含有多种编码类型和多种码率的信道编码。需要说明的是，根据实际需求可以对应调整样本截断长度、固定滑动长度、随机滑动长度以获取最优样本，或采用现有技术中的样本集构建方式进行构建。s2、对信道编码样本集中的样本分别进行传统特征提取和组词处理，组词处理将样本的数据以每四比特表示为一个词，满足关系式(x1，x2，x3，…，xn)＝(x1x2x3x4，x5x6x7x8，…，xn-3xn-2xn-1xn)，其中，x1至xn分别为各样本中的第1个至第n个比特数据，并对每个词进行量化处理，量化处理后的词为第一输入值。在一实施例中，传统特征提取中提取的特征包括广义码重特征、码重相似度特征、深度谱特征、gfft特征和游程特征。其中，采用传统特征提取方式可以更好地利用先验知识，加速模型收敛。需要说明的是，根据实际需求可对提取的传统特征进行类型和数量的调整，如传统特征提取中提取的特征还可为按列01频次统计、按列01转换概率统计、字符频次统计等，其中，按列01频次统计是对信道编码样本数据中0和1出现的概率进行提取；按列01转换概率统计是对信道编码样本数据中0和1转换情况的概率进行提取，转换情况如指连续的两个比特数据相同(即00或11)为0，表示没有进行01转换，连续的两个符号不同(即01或10)为1，表示进行了01转换；字符频次统计提取的是信道编码样本数据中n个字符长度的字符串出现的概率，n的取值可以根据实际信道编码样本数据进行调整。其中，各样本的组词处理，满足如下关系式：(x1，x2，x3，…，xn)＝(x1x2x3x4，x5x6x7x8，…，xn-3xn-2xn-1xn)其中，x1至xn分别为各样本中的第1个至第n个比特数据。在一实施例中，以每四比特表示为一个词对应有十六种组词方式，量化处理为将十六种组词方式分别对应量化为0～15。其中，鉴于信道编码数据为二进制流数据，每四比特表示为一个词，则对应有十六种组词方式，对每个词的量化处理(编码值)如下表1所示：表1词编码值词编码值00000100080001110019001021010100011310111101004110012010151101130110611101401117111115即在本实施例中可以将每个长度为32768的卫星信道编码样本表示成长度为8192的文本。因此，对信道编码样本集中的样本进行组词处理，不仅可以保留数据原始的空间特征，还可以更为方便的运用自然语言处理，同时减小了数据的维度，避免数据输入构建的神经网络模型之后因规模太大导致的过拟合、运行速度慢等问题。s3、将传统特征提取中提取的特征均表示为一维特征向量，对各一维特征向量以零元素填充进行维度补齐，并将各一维特征向量合并为特征矩阵，特征矩阵为第二输入值。具体地，本实施例中提取的特征包括广义码重特征、码重相似度特征、深度谱特征、gfft特征和游程特征。且提取的特征分别表示为一维特征向量，如信道编码样本集中包括m个样本，则第i(i＝1，2，…，m)个样本的广义码重特征、码重相似度特征、深度谱特征、gfft特征和游程特征分别对应为q＝[qi1，qi2，…，qik]，r＝[ri1，ri2，…，rik]，d＝[di1，di2，…，dik]，w＝[wi1，wi2，…，wik]，v＝[vi1，vi2，…，vik]，每一种特征的设定维度为k，对提取到的各特征向量进行维度补齐，维度不够的用零元素进行填充，如广义码重特征q的维度只有l，且l＜k，则在q的后面填充k-l个零得到q＝[qi1，qi2，…，qil，0i1，0i2，…，0i(k-l)]，最后将各特征向量合并成特征矩阵x，如x＝[xi1，xi2，…，xik]，其中xij＝[qij，rij，dij，wij，vij]t，j＝1，2，…，k。需要说明的是，可根据实际需求中传统特征提取中提取特征的不同，对应调整特征矩阵。s4、构建一维多输入卷积神经网络模型，一维多输入卷积神经网络模型包括第一输入层、第二输入层、特征融合层和分类层，第一输入层包括依次连接的词嵌入层、第一卷积层、第二卷积层、第一最大池化层和特征提取模块，特征提取模块包括至少一个inception模块，第二输入层包括第五特征提取层，第五特征提取层包括至少一个inception模块，第一输入值经第一输入层输出第一提取特征，第二输入值经第二输入层输出第二提取特征，第一提取特征和第二提取特征经特征融合层进行融合输出第三提取特征，第三提取特征输出至分类层进行编码识别，并输出识别结果。其中，构建的一维多输入卷积神经网络模型包括两个输入，分别为第一输入值和第二输入值。通过一维多输入卷积神经网络模型分别提取第一输入值和第二输入值的特征，最后将第一输入值和第二输入值的特征融合输入分类层进行分类。第一输入值通过第一输入层中的词嵌入层用于将不同的词映射为不同的表征向量。第一卷积层、第二卷积层均用于提取特征，并通过第一最大池化层减少计算量，并进行特征压缩去除冗余特征。inception模块可增加神经网络模型的宽度，使用空洞卷积，在减少参数量的同时扩大感受野范围，提高提取能力。特征融合层将第一输入值和第二输入值中提取的特征进行特征融合，可采用concat层或对位相加的方式。分类层对每个样本进行多分类，其中每个类别里面包含多种属性，如包括编码类型、编码参数以及是否包含伪随机序列等。在一实施例中，inception模块包含沿输入侧至输出侧依次连接的四个并列的卷积层、一个通道拼接层、一个第二最大池化层和一个软阈值模块，且卷积层其一为空洞卷积层。具体地，如图3所示，本实施例中各inception模块中并列的三个卷积层的卷积核的大小分别对应为3、7、11，空洞卷积倍数为1，空洞卷积层的卷积核大小为5，空洞卷积倍数为5，采用不同尺寸的卷积核表示使用不同大小的感受野对前一层进行特征提取，有助于丰富特征多样性。空洞卷积层在不引入额外参数量的情况下，扩大了感受野，同时可捕获多尺度的局部特征。需要说明的是，根据各inception模块的应用位置不同，对应的卷积核的数量可按实际需求随之调整，且还可采用现有技术中inception模块进行特征提取。在一实施例中，软阈值模块集成有注意力机制和软阈值函数，通道拼接层为concat层。其中，本实施例中软阈值模块将通道注意力机制和软阈值函数结合起来使用，对于误码情况以及无关特征有着更好的抑制作用，有助于提高准确度和计算效率。通道拼接层为concat层，用于将inception模块中四个并列的卷积层捕获的特征进行融合。需要说明的是，软阈值模块还可采用其他现有技术实现，如软阈值模块还可采用残差学习、se注意力机制或cbam注意力机制三者中的任一方式。在一实施例中，特征提取模块包括沿输入侧至输出侧依次连接的第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层，第一特征提取层包括一个inception模块，第二特征提取层包括两个相互串连的inception模块，第三特征提取层和第四特征提取层均包括三个相互串连的inception模块，第五特征提取层包括两个相互串连的inception模块。其中，本实施例第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层中的各inception模块，卷积核大小和空洞卷积倍数相同，每层对应的卷积核数量不同，且卷积核数量依次增大。需要说明的是，特征提取模块的内部结构可根据实际需求进行调整，如根据不同的参数匹配可调整特征提取层的层数或每个特征提取层中inception模块的个数等。在一实施例中，分类层包括第一辅助分类层、第二辅助分类层、以及沿输入侧至输出侧依次连接的第六特征提取层、第七特征提取层、第一全局平均池化层和最终分类层，第六特征提取层和第七特征提取层均包括三个相互串接的inception模块，第一辅助分类层的输入侧与第六特征提取层的输入侧连接，第二辅助分类层的输入侧与第七特征提取层的输入侧连接，第一辅助分类层、第二辅助分类层和第一全局平均池化层的输出侧均与最终分类层的输入侧连接。其中，在训练过程中，两个辅助分类层的结果会按照一定的权重综合到最终分类层里，可以增强模型的反向传播，避免模型过深导致的梯度消失问题，同时带来一定的正则化效果。第一全局平均池化层有助于减少计算量、进行特征压缩。各分类层用于对每个样本进行多分类，其中每个类别里面包含多种属性，如包括信道编码类型，编码参数以及是否包含伪随机序列等。需要说明的是，第六特征提取层和第七特征提取层的inception模块数量可按实际需求随之调整。进一步地，本实施例中第一特征提取层的inception模块中四个并列的卷积层的卷积核尺寸和空洞卷积倍数分别为3和1、7和1、11和1、5和5，每个卷积层中卷积核数量均为32；第二特征提取层的inception模块四个并列的卷积层的卷积核尺寸和空洞卷积倍数分别为3和1、7和1、11和1、5和5，每个卷积层中卷积核数量均为48；第三特征提取层的inception模块四个并列的卷积层的卷积核尺寸和空洞卷积倍数分别为3和1、7和1、11和1、5和5，每个卷积层中卷积核数量均为64；第四特征提取层的inception模块四个并列的卷积层分别为3和1、7和1、11和1、5和5，每个卷积层中卷积核数量均为96，第五特征提取层的inception模块中四个并列的卷积层的卷积核尺寸和空洞卷积倍数分别为3和1、7和1、11和1、以及5和5，每个卷积层中卷积核数量均为128；第六特征提取层的inception模块中四个并列的卷积层的卷积核尺寸和空洞卷积倍数分别为3和1、7和1、11和1、5和5，每个卷积层中卷积核数量均为192；第七特征提取层的inception模块四个并列的卷积层的卷积核尺寸和空洞卷积倍数分别为3和1、7和1、11和1、5和5，每个卷积层中卷积核数量均为192。在一实施例中，第一辅助分类层和第二辅助分类层均包括沿输入侧至输出侧依次连接的平均池化层、卷积层、丢弃层、两个全连接层和softmax激活函数，最终分类层包括第二全局平均池化层、全连接层和softmax激活函数。其中，平均池化层有助于减少计算量、进行特征压缩，卷积层用于特征提取，丢弃层起到正则化作用，全连接层中神经元个数为信道编码类型的类别数。采用softmax函数作为激活函数，识别每个样本的信道编码类型和码率进行多分类，增加了区分对比度，有助于提高学习效率。在一实施例中，各卷积层的输出侧还连接有leakyrelu激活函数。其中，各卷积层的输出侧还连接有leakyrelu激活函数，可以缓解梯度消失的问题。需要说明的是，leakyrelu激活函数还可选择性连接于各卷积层的输出侧，且还可替换为relu激活函数等。s5、根据信道编码样本集训练一维多输入卷积神经网络模型，获得最终一维多输入卷积神经网络模型。具体地，将信道编码样本集划分为训练集、验证集和测试集，根据训练集中的样本获取第一输入值和第二输入值，并将第一输入值和第二输入值同时输入至一维多输入卷积神经网络模型进行训练，在验证集上根据验证结果来对模型的参数进行调整来优化模型性能，从而确定最终一维多输入卷积神经网络模型。训练过程：采用adam优化器，初始学习率为5×10-4，学习率衰减系数为0.33，最小学习率为10-5，批大小为256，训练24轮。测试过程：根据测试集中的样本生成第一输入值和第二输入值，并将第一输入值和第二输入值输入至一维多输入卷积神经网络模型中进行自动检测；对检测结果进行统计，信道编码样本集中的样本检测结果所属类别次数中最多的一类作为该信道编码二进制流数据的实际类别，从而确定出实际编码类型和编码参数。根据训练和测试结果，可对一维多输入卷积神经网络模型的结构和参数设置进行调整和优化，保存最终的一维多输入卷积神经网络模型。进一步地，测试结果如图5所示，为训练的模型在测试集上的混淆矩阵。其中，横轴为每一个类别对应的百分比，纵轴为每一个类别的预测百分比，在对角线上的框格中，颜色越深(或数值越接近100)代表预测结果越准确。由图5可知本申请在测试集上的准确率达到了98.75％，平均查全率达到了97.74％。本实施例中类别的种类对应表2中的索引值栏，每一类别对应的信道编码类型和编码参数如下表2所示。表2综上，对于多种不同编码类型、编码参数(码率)的卫星信道编码信号数据，在没有任何先验知识的情况下，通过本申请的多输入一维卷积神经网络模型进行识别，具有准确率高、泛化性能力强的优势。s6、采集待识别的信道编码二进制流数据，并根据待识别的信道编码二进制流数据获取第一输入值和第二输入值，将第一输入值和第二输入值输入最终一维多输入卷积神经网络模型中进行编码识别，统计各样本识别的类别次数，判定类别次数中最多的一类作为待识别的信道编码二进制流数据的实际编码类型和编码参数。其中，将采集到的待识别的信道编码二进制流数据进行截断处理，每间隔32768比特进行截断得到一个样本，截断之后向后滑动8192比特，并再次随机滑动0～8比特截断一次，以此类推，截取到1000个样本或长度不够的时停止数据截断。对各样本进行处理以获取第一输入值和第二输入值，处理过程包括组词处理、传统特征提取及合并为特征矩阵，与上述同理，需说明的是，此处的第一输入值和第二输入值是对应待识别的信道编码二进制流数据获得。将第一输入值和第二输入值输入最终一维多输入卷积神经网络模型中进行编码识别，统计各样本识别的类别次数，判定类别次数中最多的一类作为待识别的信道编码二进制流数据的实际编码类型和编码参数。本申请采用多输入一维卷积神经网络模型，并利用有限的样本进行特征提取和训练，通过softmax函数准确地识别出多种不同编码类型和编码参数下的卫星信道编码信号，有效提高识别准确度和泛化性，且计算量少、可扩展性强。无需任何先验知识，将专家知识以及原始数据的序列信息作为特征，简化了通过生成矩阵来识别的传统方法。以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本申请描述较为具体和详细的实施例，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。当前第1页1 2 3
技术特征：1.一种基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述基于一维多输入卷积神经网络的信道编码盲识别方法包括如下步骤：
s1、获取信道编码二进制流数据，构建信道编码样本集；
s2、对所述信道编码样本集中的样本分别进行传统特征提取和组词处理，所述组词处理将所述样本的数据以每四比特表示为一个词，满足关系式(x1,x2,x3,…,xn)＝(x1x2x3x4,x5x6x7x8,…,xn-3xn-2xn-1xn)，其中，x1至xn分别为各样本中的第1个至第n个比特数据，并对每个词进行量化处理，所述量化处理后的词为第一输入值；
s3、将所述传统特征提取中提取的特征均表示为一维特征向量，对各所述一维特征向量以零元素填充进行维度补齐，并将各所述一维特征向量合并为特征矩阵，所述特征矩阵为第二输入值；
s4、构建一维多输入卷积神经网络模型，所述一维多输入卷积神经网络模型包括第一输入层、第二输入层、特征融合层和分类层，所述第一输入层包括依次连接的词嵌入层、第一卷积层、第二卷积层、第一最大池化层和特征提取模块，所述特征提取模块包括至少一个inception模块，所述第二输入层包括第五特征提取层，所述第五特征提取层包括至少一个inception模块，所述第一输入值经所述第一输入层输出第一提取特征，所述第二输入值经所述第二输入层输出第二提取特征，所述第一提取特征和第二提取特征经所述特征融合层进行融合输出第三提取特征，所述第三提取特征输出至所述分类层进行编码识别，并输出识别结果；
s5、根据所述信道编码样本集训练所述一维多输入卷积神经网络模型，获得最终一维多输入卷积神经网络模型；
s6、采集待识别的信道编码二进制流数据，并根据所述待识别的信道编码二进制流数据获取所述第一输入值和第二输入值，将所述第一输入值和第二输入值输入所述最终一维多输入卷积神经网络模型中进行编码识别，统计各样本识别的类别次数，判定类别次数中最多的一类作为所述待识别的信道编码二进制流数据的实际编码类型和编码参数。
2.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述信道编码样本集的构建过程如下：
设定样本截断长度为m比特、固定滑动长度为n比特、随机滑动长度为l比特，自所述信道编码二进制流数据的起点，每间隔m比特截取一个样本后，滑动n l比特再次截取，直至所述信道编码二进制流数据的终点，截取的样本总和构成所述信道编码样本集。
3.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述传统特征提取中提取的特征包括广义码重特征、码重相似度特征、深度谱特征、gfft特征和游程特征。
4.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述以每四比特表示为一个词对应有十六种组词方式，所述量化处理为将所述十六种组词方式分别对应量化为0～15。
5.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述inception模块包含沿输入侧至输出侧依次连接的四个并列的卷积层、一个通道拼接层、一个第二最大池化层和一个软阈值模块，且所述卷积层其一为空洞卷积层。
6.如权利要求5所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述软阈值模块集成有注意力机制和软阈值函数，所述通道拼接层为concat层。
7.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述特征提取模块包括沿输入侧至输出侧依次连接的第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层，所述第一特征提取层包括一个inception模块，所述第二特征提取层包括两个相互串连的inception模块，所述第三特征提取层和第四特征提取层均包括三个相互串连的inception模块，所述第五特征提取层包括两个相互串连的inception模块。
8.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述分类层包括第一辅助分类层、第二辅助分类层、以及沿输入侧至输出侧依次连接的第六特征提取层、第七特征提取层、第一全局平均池化层和最终分类层，所述第六特征提取层和第七特征提取层均包括三个相互串接的inception模块，所述第一辅助分类层的输入侧与第六特征提取层的输入侧连接，所述第二辅助分类层的输入侧与第七特征提取层的输入侧连接，所述第一辅助分类层、第二辅助分类层和第一全局平均池化层的输出侧均与所述最终分类层的输入侧连接。
9.如权利要求8所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：所述第一辅助分类层和第二辅助分类层均包括沿输入侧至输出侧依次连接的平均池化层、卷积层、丢弃层、两个全连接层和softmax激活函数，所述最终分类层包括第二全局平均池化层、全连接层和softmax激活函数。
10.如权利要求1至9中任一权利要求所述的基于一维多输入卷积神经网络的信道编码盲识别方法，其特征在于：各所述卷积层的输出侧还连接有leakyrelu激活函数。
技术总结本发明公开了一种基于一维多输入卷积神经网络的信道编码盲识别方法，包括：S1、构建信道编码样本集；S2、对信道编码样本集中的样本分别进行传统特征提取和组词处理，将组词处理后的词作为第一输入值；S3、将传统特征提取中提取的特征均表示为一维特征向量，进行维度补齐后合并为特征矩阵，特征矩阵为第二输入值；S4、构建一维多输入卷积神经网络模型；S5、训练并获得最终模型；S6、采集待识别的信道编码二进制流数据，获取第一输入值和第二输入值后输入最终模型进行编码识别，判定类别次数中最多的一类作为实际编码类型和编码参数。本申请提高了信道编码识别准确度和泛化性，简化了传统生成矩阵识别的方法，计算量少、扩展性强。
技术研发人员：廖志州;夏少杰;马宇锋;冯秋晨;董赵宇;许文祥;祝中科;张永晋;瞿崇晓;范长军
受保护的技术使用者：中国电子科技集团公司第五十二研究所
技术研发日：2021.04.01
技术公布日：2021.08.03
