【技术实现步骤摘要】
本专利技术属于无线通信领域，涉及一种基于多标签孪生网络的快速混合干扰识别方法。
技术介绍
1、随着无线网络技术和设备的不断更新以及网络覆盖率的不断提高，无线网络已经从单一的通信系统演化为集通信能力和信息感知能力为一体的系统。无线网络的通信能力是信息感知能力的基础，信息感知能力是提高无线网络的通信能力、丰富无线网络的服务能力的重要途径。但是随无线通信技术的日益复杂，无线空间变得越来越复杂，对于环境中存在的无线信号进行有效地感知和识别变得越来越重要，特别是在军事侦查和通信对抗中，对于通信信号感知和识别有着较高的要求，因此有必要进行信号认知，进一步帮助解决后续的干扰协调、资源调配等问题，从而提高网络的服务质量(quality of service，qos)。在信号识别中，单干扰和复合干扰的快速识别，以及针对未知干扰的识别在通信对抗中尤为重要。近几年来，针对单干扰识别，能够做到很高的性能。但是针对复合干扰，大部分都是基于单干扰两两配对而形成的，模型要求数据集庞大，训练过程非常缓慢，识别率还低，不能识别新的干扰类型。
2、传统的干扰认知技术基于信号特征的识别，从干扰信号提取的特征向量经过预处理，然后由干扰分类器进行分类，识别干扰信号的类型。干扰分类传统方法包括支持向量机(support vector machine,svm)、决策树和反向传播(back propagation,bp)神经网络等分类方法。由于基于人工特征提取带来有用特征信息损失，近年来，基于深度神经网络的机器学习干扰认知技术兴起，通过利用卷积神经网络(convo
3、卷积神经网络的优势有赖于大数据，在大数据的驱动下，机器能够进行有效学习，然而数据量不足会导致模型出现过拟合或识别率低等问题，虽然简单的数据增强(dataaugmentation,da)和正则化技术可以缓解该问题，但是该问题并没有得到完全解决，故针对小数据集的小样本学习成为了解决这类问题的关键技术。小样本学习的产生有两个因素，一是训练数据量少。比如在医疗领域，医学影像的产生来源于病例，通常少量的病例并不能够辅助机器对医疗影像进行分析。二是让机器学会以人类的方式进行学习，即类人学习。人类能够在获取少量样本的情况下，对样本进行分类和识别，并且具有快速理解新概念并将其泛化的能力，小样本学习的目的之一就是让机器以人类的学习方式完成任务。小样本学习能够利用类别中的少量样本，即一个或者几个样本进行学习。类别下的训练样本只有一个的情况下，小样本学习被称为one-shot learning，类别下的训练样本有多个的情况下，称为few-shot learning，few-shot learning包含有one-shot learning的情况。
4、多标签和多分类要进行区分。所谓的多分类是在二分类基础上的一个概念。在二分类问题中，数据产生的标签为0、1。比如要识别一幅图中是否有小狗的存在。而多分类则是区分更多类，相应数据产生的标签可以定义为0、1、2…。比如判断一幅图中的动物是猫、狗、鸟、兔、狼…。多标签就是一个样本同时具有多个标签。比如一幅图中既有猫狗也有鸟，如果猫狗鸟属于当前任务识别类别之类，那么这个样本就具有多标签，显然多标签任务难度相较于以上两种更高。
技术实现思路
1、针对以上技术问题，本专利技术提出一种基于多标签孪生网络的快速干扰识别。本专利技术主要解决两个问题，一是在感知信号信息较少的情况下，快速准确的进行混合信号识别分类；二是当信号环境中出现的新的信号类型时，快速准确的进行信号识别。
2、本专利技术首先通过基础干扰类型来构建混合干扰类型，并分为训练集(trainingset)、验证集(validation)，测试集(test)其中，基础信号类型包括单音信号、部分频带信号和噪声调频信号，由基础信号扩展为混合干扰类型，混合干扰有2n-1种，n为基础干扰种类个数。基于训练集完成基础神经网络训练，其中，神经网络采用孪生神经网络(siamesenetwork)。已知信号类型分类可以通过多标签孪生神经网络进行分类识别。未知信号类型通过构造support set与query进行识别，将来自query中的样本和support set中每一个样本依次通过多标签孪生神经网络获取到各自对应的特征向量，利用欧氏距离判断待测样本与support set中的相似程度。
3、利用本专利技术所提的快速混合干扰识别方案实现包括以下步骤：
4、s1：获取原始混合干扰数据集。根据基础干扰类型构造混合干扰数据集，基础干扰类型可包括但不限于：单音干扰、部分频带噪声干扰和噪声调频干扰三种干扰信号。由三种基础干扰信号扩展的混合干扰包括7种样式：单音干扰、部分频带噪声干扰、噪声调频、单音+部分频带噪声、噪声调频+部分频带噪声、单音+噪声调频、单音+噪声调频+部分频带噪声。将原始混合干扰数据集分为训练集和测试集，并且打上多标签。
5、s2：根据s1中所构造的数据集进行预处理。将预处理后的训练数据集两两配对采用多标签孪生神经网络完成模型的训练，其中，孪生神经网络是由两个具有相同结构的神经网络构成，多标签是为了处理复合干扰识别。
6、s3：基于训练集完成基础的多标签孪生神经网络训练。
7、s4：判决，针对已知干扰信号与已知干扰信号，多标签孪生神经网络可以对已知干扰信号自动分类，以及评判已知信号的相似程度。针对未知干扰信号与未知干扰信号，可以判定成对未知干扰信号是否属于同一类，引入support set和query的概念，可以在一定程度对未知信号进行分类。针对未知干扰与已知干扰结合，同样可以判定两两配对后的相似程度，以及进行简单的已知信号和未知信号分类。
8、根据本专利技术，上述步骤s1包含以下步骤：
9、s1.1：从大量基础信号类型(单音干扰、部分频带噪声干扰和噪声调频干扰)样本中构造混合干扰训练样本集，训练集中的样本形式为(目标信号一、多标签一、目标信号二、多标签二、异同标签)五个信息。
10、s1.2：进行多标签的标注。首先创建3个基础干扰的文件夹，将数据集根据图像信息归类。比如单音干扰就存放在单音干扰文件夹下，单音+部分频带噪声存放在单音文件夹下和部分频带噪声文件夹下，即同一张图片可能遍历2次，3种复合干扰就会遍历三次。这里，令单音标签为[1，0，0]，部分频带噪声干扰标签为[0，1，0]，噪声调频标签为[0，0，1]，单音+部分频带噪声标签为[1，1，0]，单音+噪声调频标签为[1，0，1]，部分频带噪声+噪声调频标签为[0，1，1]，单音+部分频带噪声+噪声调频标签为[1，1，1]。
11、根据本专利技术，上述步骤s2包含以下步骤：
12、s2.1：进行数据集的预处理部分，预处理操作包括随机裁剪、水平翻转、归一化。
13、s2.2：构本文档来自技高网...
【技术保护点】
1.一种基于多标签孪生神经网络的混合干扰信号识别方法，其特征在于，包括下列步骤：
2.根据权利要求1所述方法，其特征在于，步骤S1包括：
3.根据权利要求1所述方法，其特征在于，步骤S2包括：
4.根据权利要求1所述方法，其特征在于，步骤S3包括：
5.根据权利要求1所述方法，其特征在于，步骤S4包括：
【技术特征摘要】
1.一种基于多标签孪生神经网络的混合干扰信号识别方法，其特征在于，包括下列步骤：
2.根据权利要求1所述方法，其特征在于，步骤s1包括：
3.根据权利要...
【专利技术属性】
技术研发人员：黎伟，何佑泽，徐德涛，叶荣飞，裴二荣，姚永国，孙远欣，
申请(专利权)人：重庆金美通信有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。