【技术实现步骤摘要】
本专利技术涉及无线电信号处理，尤其涉及一种适应接收天线数变化的深度学习电磁信号识别方法。
技术介绍
1、电磁信号识别作为一项关键使能技术，被广泛应用于认知无线电、频谱管理和电子侦察等业务领域。所谓电磁信号识别，主要包括电磁信号调制识别、体制识别、电磁目标平台识别和辐射源个体识别等任务。根据不同的目标，得到不同的识别结果，主要研究基于接收到的电磁信号，完成其所属信号类型或目标类型的判断，传统的识别方法需要充分的信号处理领域知识。随着人工智能技术的飞速发展，目前已成功地将深度学习方法应用于解决各类电磁信号识别问题，以数据驱动的范式端到端实现电磁信号高效识别，但现有的方法在采集设备接收天线数目变化时，需要对信号识别模型进行重新训练。然而，获得充足的标注样本数据要耗费大量人力物力，且训练过程对计算资源的要求较高。为不同天线配置的情况训练各自的信号识别模型在实际应用中很难实现。因此需要研究一种能够适应天线数目变化条件下的信号识别方法。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种适应接收天线数变化的深度学习电磁信号识别方法，用以解决现有方法需重新训练模型以适应天线数目变化既费时又耗费资源的技术问题。
2、本专利技术提供了一种适应接收天线数变化的深度学习电磁信号识别方法，包括如下步骤：
3、步骤s1、利用带有k根接收天线的信号采集设备在同一采样时刻采集同一类型电磁信号，并对所述电磁信号进行预处理得到对应信号特征；不同采样时刻共采集c类电磁信号；基于同一
4、步骤s2、构建信号识别模型，使用所述信号识别数据集对所述电磁信号识别模型进行训练，达到最大迭代次数保存损失最小的模型为最佳信号识别模型；
5、步骤s3、使用k'根接收天线采集实际待识别电磁信号，当k'≠k时利用接收天线数量k'重构所述最佳信号识别模型，得到最终信号识别模型；
6、步骤s4、将所述实际待识别电磁信号进行预处理后得到特征矩阵，输入所述最终信号识别模型，得到该电磁信号识别结果。
7、进一步地，所述利用带有k根接收天线采集设备在同一采样时刻采集同一类型电磁信号，并对所述电磁信号进行预处理得到对应信号特征，如下：
8、按照预设固定长度进行分割截取所述电磁信号，得到e个电磁信号片段；
9、提取所述电磁信号片段的iq序列，得到对应e个iq序列片段；
10、对每个iq序列片段的提取瞬时特征、统计特征和频谱特征，得到l项信号特征。
11、进一步地，基于所述l项信号特征采集设备得到k-1个数据集，其中，第i个数据集构建时，随机选择m根天线对应的l项信号特征，其中，1≤i≤k-1，m＝i+1；
12、将所述l项特征进行拼接，构成l维特征矩阵，如下：
13、
14、其中，sm(d)表示基于第m根接收天线数据提取到的第d项特征，1≤m≤m，1≤d≤l；
15、对所述特征矩阵标注对应电磁信号类型为标签，得到一个信号样本；
16、e个信号样本组成第i个数据集；
17、i从1递增至k-1，相应地m从2递增至k，得到采集设备对应一类电磁信号的k-1个数据集。
18、进一步地，所述信号识别模型为包含自适应特征提取模块的神经网络；
19、所述神经网络依次包括输入层、自适应特征提取模块、卷积层、最大池化层、第一至第四残差块结构、全局平均池化层gavgpool、dropout层和全连接层；其中；
20、所述输入层，用于接收所述信号识别数据集的样本中的特征矩阵，输出特征维度为l*m*1；
21、所述自适应特征提取模块，用于动态调整并提取输入特征矩阵的特征，以适应不同数量的接收天线；
22、所述卷积层，用于特征提取和转换；
23、所述最大池化层，用于将所述卷积层输出的特征降低特征空间维度，得到池化后的信号特征；
24、所述第一至第四残差块结构，用于逐步提取和深化所述池化后的信号特征；
25、所述全局平均池化层gavgpool，用于将所述第四残差块结构输出的信号特征的所有元素进行平均，生成一个综合特征；
26、所述dropout层，用于防止过拟合；
27、所述全连接层，包含c个神经元，用于输出各电磁信号类型的概率。
28、进一步地，所述自适应特征提取模块包括一层卷积层conv和一层平均池化层avgpool；
29、将所述输入层输出的维度为l*m*1的信号特征，作为所述卷积层conv的输入；
30、所述卷积层conv的卷积核大小为3*2，卷积核为16个，滑动步长为1*1，输出维度为l*(m-1)*16；
31、所述平均池化层的池化核大小3*(m-1)，滑动步长为1*(m-1)，输出维度为l*1*16。
32、进一步地，基于所述信号识别数据集对所述信号识别模型进行模型训练，计算所述信号识别模型预测信号类型与标签yg之间的交叉熵损失j，如下所示：
33、
34、其中，f(xm；θ)为信号识别模型的参数化函数，θ为可学习的参数，包含所有层的权重和偏置，为模型输入样本进行预测样本属于类别g的概率，为全连接层的输出值；
35、其中，softmax的运算，如下所示：
36、
37、将ji记为第i个数据集下计算得到的交叉熵损失，计算联合训练总损失，则联合训练总损失为k-1个数据集下的交叉熵损失之和，如下所示：
38、
39、训练过程中，基于所述联合训练损失优化模型的所有参数，达到预设迭代次数后，保存训练过程中联合训练损失最小的模型作为所述最佳信号识别模型。
40、进一步地，所述信号识别模型训练过程中，使用梯度下降法对所述信号识别模型的可学习参数进行更新，如下所示：
41、
42、其中，p为参数更新的次数，θp+1、θp和θp-1分别为第p+1、p和p-1次迭代时的参数值，α为学习率，表示梯度运算，γ为训练时的超参数。
43、进一步地，所述步骤s3包括：
44、将待识别的实际接收场景下的天线数目记为k'；
45、若k'＝k，则将所述最佳信号识别模型作为最终信号识别模型；
46、否则k'≠k，重构所述最佳信号识别模型，基于k'所述自适应特征提取模块的平均池化层的池化核及滑动步长参数，分别重构为3*(k'-1)和1*(k'-1)，得到最终信号识别模型。
47、进一步地，所述第一至第四残差块结构分别为residual block1(16)、residualblock2(32)、residual block3(64)和residual block4(128)，每个残差块结构包本文档来自技高网...
【技术保护点】
1.一种适应接收天线数变化的深度学习电磁信号识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述利用带有K根接收天线采集设备在同一采样时刻采集同一类型电磁信号，并对所述电磁信号进行预处理得到对应信号特征，如下：
3.根据权利要求2所述的方法，其特征在于，基于所述L项信号特征采集设备得到K-1个数据集，其中，第i个数据集构建时，随机选择M根天线对应的L项信号特征，其中，1≤i≤K-1，M＝i+1；
4.根据权利要求3所述的方法，其特征在于，所述信号识别模型为包含自适应特征提取模块的神经网络；
5.根据权利要求4所述的方法，其特征在于，所述自适应特征提取模块包括一层卷积层Conv和一层平均池化层AvgPool；
6.根据权利要求5所述的方法，其特征在于，基于所述信号识别数据集对所述信号识别模型进行模型训练，计算所述信号识别模型预测信号类型与标签yg之间的交叉熵损失J，如下所示：
7.根据权利要求6所述的方法，其特征在于，所述信号识别模型训练过程中，使用梯度下降法对所述信号识别模型的
8.根据权利要求7所述的方法，其特征在于，所述步骤S3包括：
9.根据权利要求4所述的方法，其特征在于，所述第一至第四残差块结构分别为ResidualBlock1(16)、ResidualBlock2(32)、Residual Block3(64)和ResidualBlock4(128)，每个残差块结构包括卷积层、批量归一化层和RELU激活层；其中15、32、64和128为卷积层的卷积核数量；
10.根据权利要求2-9任一项所述的方法，其特征在于，提取所述分割截取后的IQ序列片段的瞬时特征、统计特征和频谱特征；
...【技术特征摘要】
1.一种适应接收天线数变化的深度学习电磁信号识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述利用带有k根接收天线采集设备在同一采样时刻采集同一类型电磁信号，并对所述电磁信号进行预处理得到对应信号特征，如下：
3.根据权利要求2所述的方法，其特征在于，基于所述l项信号特征采集设备得到k-1个数据集，其中，第i个数据集构建时，随机选择m根天线对应的l项信号特征，其中，1≤i≤k-1，m＝i+1；
4.根据权利要求3所述的方法，其特征在于，所述信号识别模型为包含自适应特征提取模块的神经网络；
5.根据权利要求4所述的方法，其特征在于，所述自适应特征提取模块包括一层卷积层conv和一层平均池化层avgpool；
6.根据权利要求5所述的方法，其特征在于，基于所述信号识别数据集对所述信号识别模型...
【专利技术属性】
技术研发人员：张陆鑫，郑仕链，陈仕川，杨小牛，
申请(专利权)人：中国电子科技集团公司第三十六研究所，
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。