【MATLAB实战】融合CNN-LSTM与高阶特征的信号调制识别：一种深度学习分类新思路

% 1. 加载数据集（这里用的是公开的信号调制识别数据集，包含BPSK、QPSK、FSK等8种调制类型）
load('ModulationSignalDataset.mat'); % 数据集包含signal（原始信号）、label（调制类型标签）、snr（信噪比）

% 2. 提取高阶特征（4阶累积量+瞬时幅度、瞬时相位、瞬时频率）
featureNum = 7; % 7维高阶特征：c11,c12,c21,c22,瞬时幅度,瞬时相位,瞬时频率
sampleNum = length(signal); % 样本数量
featureMatrix = zeros(sampleNum, 64, 64, featureNum); % 最终生成64×64×7的特征图像

for i = 1:sampleNum
    % 提取4阶累积量
    x = signal{i};
    c11 = cumulant(x, [1 1]);
    c12 = cumulant(x, [1 2]);
    c21 = cumulant(x, [2 1]);
    c22 = cumulant(x, [2 2]);
    
    % 提取瞬时特征
    [amp, phase, freq] = instantaneousFeatures(x); % 自定义函数，计算瞬时幅度、相位、频率
    
    % 组合7维特征，并归一化到[0,1]区间
    feature = [c11, c12, c21, c22, amp, phase, freq];
    featureNorm = (feature - min(feature)) / (max(feature) - min(feature));
    
    % 转换为64×64的特征图像（通过插值将一维特征序列扩展为二维图像）
    featureImg = imresize(featureNorm', [64, 64]);
    
    % 存入特征矩阵
    for j = 1:featureNum
        featureMatrix(i, :, :, j) = featureImg(:, :, j);
    end
end

% 3. 划分训练集、验证集、测试集（比例7:1:2）
rng(1); % 固定随机种子，保证结果可复现
idx = randperm(sampleNum);
trainIdx = idx(1:round(0.7*sampleNum));
valIdx = idx(round(0.7*sampleNum)+1:round(0.8*sampleNum));
testIdx = idx(round(0.8*sampleNum)+1:end);

trainData = featureMatrix(trainIdx, :, :, :);
trainLabel = label(trainIdx);
valData = featureMatrix(valIdx, :, :, :);
valLabel = label(valIdx);
testData = featureMatrix(testIdx, :, :, :);
testLabel = label(testIdx);

% 1. 构建CNN特征提取模块（含ResNet短路连接）
inputLayer = imageInputLayer([64 64 7], 'Name', 'input'); % 输入层：64×64×7的特征图像

% 第一个ResNet块（卷积层+批量归一化+ReLU+卷积层+短路连接）
conv1 = convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'conv1');
bn1 = batchNormalizationLayer('Name', 'bn1');
relu1 = reluLayer('Name', 'relu1');
conv2 = convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'conv2');
bn2 = batchNormalizationLayer('Name', 'bn2');
add1 = additionLayer(2, 'Name', 'add1'); % 短路连接：将输入直接加到conv2的输出上
relu2 = reluLayer('Name', 'relu2');
pool1 = maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool1'); % 最大池化层

% 第二个ResNet块（结构同上）
conv3 = convolution2dLayer(3, 128, 'Padding', 'same', 'Name', 'conv3');
bn3 = batchNormalizationLayer('Name', 'bn3');
relu3 = reluLayer('Name', 'relu3');
conv4 = convolution2dLayer(3, 128, 'Padding', 'same', 'Name', 'conv4');
bn4 = batchNormalizationLayer('Name', 'bn4');
add2 = additionLayer(2, 'Name', 'add2');
relu4 = reluLayer('Name', 'relu4');
pool2 = maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool2');

% 展平层：将CNN输出的特征图展平为序列，用于输入LSTM
flattenLayer = flattenLayer('Name', 'flatten');

% 2. 构建LSTM时序特征融合模块
lstmLayer = lstmLayer(256, 'NumOutputs', 'last', 'Name', 'lstm'); % 256个隐藏单元，输出最后一个时间步的特征
dropoutLayer = dropoutLayer(0.5, 'Name', 'dropout'); % Dropout层：防止过拟合

% 3. 构建二叉树分类输出模块（以8种调制类型为例，拆解为3层二分类）
% 第一层二分类：区分数字调制（1-4类）和模拟调制（5-8类）
fc1 = fullyConnectedLayer(2, 'Name', 'fc1');
softmax1 = softmaxLayer('Name', 'softmax1');
output1 = classificationLayer('Name', 'output1');

% 第二层二分类：数字调制内部分为相位调制（1-2类）和幅度调制（3-4类）
fc2 = fullyConnectedLayer(2, 'Name', 'fc2');
softmax2 = softmaxLayer('Name', 'softmax2');
output2 = classificationLayer('Name', 'output2');

% 第三层二分类：相位调制内部分为BPSK（1类）和QPSK（2类），幅度调制内部分为ASK（3类）和FSK（4类）
fc3 = fullyConnectedLayer(2, 'Name', 'fc3');
softmax3 = softmaxLayer('Name', 'softmax3');
output3 = classificationLayer('Name', 'output3');

% 4. 拼接完整模型（这里用层图来构建，方便实现短路连接和二叉树分支）
lgraph = layerGraph(inputLayer);
lgraph = addLayers(lgraph, [conv1, bn1, relu1, conv2, bn2, add1, relu2, pool1]);
lgraph = connectLayers(lgraph, 'relu1', 'conv2');
lgraph = connectLayers(lgraph, 'input', 'add1/in2'); % 短路连接：输入直接连到add1的第二个输入

lgraph = addLayers(lgraph, [conv3, bn3, relu3, conv4, bn4, add2, relu4, pool2]);
lgraph = connectLayers(lgraph, 'pool1', 'conv3');
lgraph = connectLayers(lgraph, 'pool1', 'add2/in2'); % 第二个ResNet块的短路连接

lgraph = addLayers(lgraph, [flattenLayer, lstmLayer, dropoutLayer, fc1, softmax1, output1]);
lgraph = connectLayers(lgraph, 'pool2', 'flatten');
lgraph = connectLayers(lgraph, 'flatten', 'lstm');
lgraph = connectLayers(lgraph, 'lstm', 'dropout');
lgraph = connectLayers(lgraph, 'dropout', 'fc1');

% 注：二叉树的后续分支（fc2、output2、fc3、output3）可通过条件判断在训练时调用，此处简化展示核心结构

% 1. 设置训练参数
options = trainingOptions('adam', ...
    'MaxEpochs', 50, ... % 最大训练轮数
    'InitialLearnRate', 0.001, ... % 初始学习率
    'LearnRateSchedule', 'piecewise', ... % 学习率衰减策略
    'LearnRateDropFactor', 0.5, ... % 学习率衰减因子
    'LearnRateDropPeriod', 10, ... % 每10轮衰减一次
    'ValidationData', {valData, valLabel}, ... % 验证集
    'ValidationFrequency', 5, ... % 每5轮验证一次
    'EarlyStopping', 'on', ... % 早停策略：验证集准确率连续5轮不提升则停止训练
    'EarlyStoppingPatience', 5, ...
    'MiniBatchSize', 32, ... % 批量大小
    'Verbose', 1, ... % 显示训练过程
    'Plots', 'training-progress'); % 绘制训练进度图（损失/准确率曲线）

% 2. 开始训练模型
model = trainNetwork(trainData, trainLabel, lgraph, options);

% 1. 用测试集预测
testPred = classify(model, testData);

% 2. 计算准确率
accuracy = sum(testPred == testLabel) / length(testLabel);
fprintf('测试集准确率：%.2f%%\n', accuracy*100);

% 3. 绘制混淆矩阵
figure;
confusionmat = confusionmat(testLabel, testPred);
confusionmat = confusionmat ./ sum(confusionmat, 2) * 100; % 归一化为百分比
heatmap(unique(testLabel), unique(testLabel), confusionmat, 'Title', '混淆矩阵（%）', 'XLabel', '预测标签', 'YLabel', '真实标签');

% 4. 绘制训练过程图（损失/准确率曲线）
% 训练时设置了'Plots', 'training-progress'，会自动生成训练图，这里可将其保存
saveas(gcf, '训练过程图.png');