【技术实现步骤摘要】
本专利技术涉及通信，尤其涉及一种基于动态匹配对比的深度学习信号开集识别方法。
技术介绍
1、随着无线通信技术和智能化设备的快速发展，信号开集识别在民用和军用领域均展现出不可或缺的重要意义。在民用方面，信号开集识别体现在对复杂通信环境的优化管理上，现代生活中，无线通信设备如智能手机、无线路由器、蓝牙设备等无处不在，导致民用频段日益拥挤。信号开集识别技术能够准确区分不同设备发出的信号，有效识别并管理干扰信号，从而保障通信网络的稳定性和可靠性。此外，该技术还能协助频谱管理机构合理分配和利用有限的频谱资源，提高频谱使用效率，为无线通信的可持续发展提供有力支持。在军用方面，信号开集识别的重要性更为突出。在复杂的电磁环境中，军用通信系统需要快速准确地识别敌我双方的信号，以确保通信的保密性、完整性和可用性。信号开集识别技术能够实现对未知或潜在威胁信号的实时监测和识别，为军事决策提供关键信息支持。同时，该技术还能提高军用通信系统的抗干扰能力和生存能力，确保在恶劣环境下仍能维持有效的通信联络。
2、近些年，深度学习技术的迅猛发展为信号识别领域带来了革命性的突破，通过强大的特征提取和模式识别能力，显著提升了信号识别的准确性和效率，为无线通信、物联网、智能监控等多个领域的技术进步和应用创新提供了强有力的支撑。然而，很多信号识别应用在非合作场景，在信号目标数量未知的情况下目前的信号识别技术并不能满足实用场景。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点，提供了一种基于动态匹配对比
2、本专利技术的目的通过以下技术方案来实现：一种基于动态匹配对比的深度学习信号开集识别方法，所述识别方法包括：
3、s1、对所有信号进行处理得到训练样本，并构造数据集训练批次数据送入深度学习网络进行正向传播，得到2k个高阶语义特征；
4、s2、对前k个高阶语义特征和后k个高阶语义特征进行欧氏距离计算和激活函数非线性处理，找到距离最小对应信号并进行排序；
5、s3、对深度学习网络进行反向传播，并更新所有权重参数，再次构造数据集训练批次数量，在深度学习模型停止训练后提取特征构建特征匹配样本库；
6、s4、对待匹配信号数据处理后进行特征提取，并将提取的特征与特征匹配样本库中所有特征进行欧氏距离计算，根据计算结果进行识别判断。
7、所述s1具体包括以下内容：
8、s101、对所有信号数据进行0-均值归一化处理，得到符合标准正态分布的样本数据；
9、s102、对归一化后的样本数据进行固定尺度w分割得到训练样本，每个样本的长度为w；
10、s103、构造数据集训练批次数据，数据集训练批次数据大小为2k，其中前k个数据样本为从归一化样本数据中随机挑选的不同信号数据，后k个数据样本为随机挑选数据；
11、s104、送入深度学网络进行正向传播，得到2k个高阶语义特征。
12、所述随机挑选方法包括：第k+t个数据与第t个数据进行对应，如果为相同信号则设置标签为0，如果为不同信号则设置标签为1，保证0与1标签的比例为1。
13、所述s2具体包括以下内容：
14、s201、将前k个高阶语义特征与后k个高阶语义特征通过l2正则化网络进行欧式距离计算，并使用tanh激活函数进行非线性处理，将计算结果与标签进行均方误差loss求解；
15、s202、对前k个高阶语义特征相互之间进行欧式距离计算，并找到距离最小的对应信号，将k组最小距离结果进行从小到大排序后，找到前k/2个信号以及与之对应的信号，并进行记录。
16、所述s3具体包括以下内容：
17、s301、对深度学习网络进行反向传播，并更新所有权重参数；
18、s302、构造数据集训练批次数据，前k个数据样本为从归一化样本数据中随机挑选的不同信息数据，如果第t个信号被记录，则第k+t随机选取记录中对应的信号随机样本，并设置标签为1，其他信号选取对应相同随机信号，标签设置为0，并返回s104步骤；
19、s303、当深度学习模型收敛后停止训练，选取一定数量样本标签进行特征提取，构建特征匹配样本库。
20、所述s4具体包括以下内容：
21、s401、当待匹配信号数据进行归一化以及样本裁剪预处理后，使用深度学习模型中的特征提取模块进行特征提取；
22、s402、对待匹配信号数据的特征与特征样本库中所有特征进行欧氏距离计算，样本匹配中距离最小值大于阈值则为未知信号，如果小于等于阈值则为特征匹配最小值对应的信号。
23、所述深度学习模型使用卷积、标准化和池化作为特征提取模块，特征提取模块首先对输入的特征矩阵使用卷积核进行特征提取，提取结果和输入数据进行矩阵叠加并使用标准化处理，最后进行池化处理。
24、本专利技术具有以下优点：一种基于动态匹配对比的深度学习信号开集识别方法，不仅能够识别已知信号目标，还能够对未知信号目标进行识别；在小样本以及样本不均衡时依然有较好的效果；利用模型进行高效的特征提取，利用特征的距离来确认信号的类别，这一方法避免了传统分类模型对类别标签的过度依赖，从而提高了分类的灵活性和准确性，具有更高的分类准确率，在处理复杂信号和噪声环境时依然表现出色，具有很强的鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述识别方法包括：
2.根据权利要求1所述的一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述S1具体包括以下内容：
3.根据权利要求2所述的一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述随机挑选方法包括：第k+t个数据与第t个数据进行对应，如果为相同信号则设置标签为0，如果为不同信号则设置标签为1，保证0与1标签的比例为1。
4.根据权利要求1所述的一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述S2具体包括以下内容：
5.根据权利要求3所述的一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述S3具体包括以下内容：
6.根据权利要求3所述的一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述S4具体包括以下内容：
7.根据权利要求1-6中任意一项所述的一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述深度学习模型使用卷积、标准化和池化作为特征提取模块，特征提
...【技术特征摘要】
1.一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述识别方法包括：
2.根据权利要求1所述的一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述s1具体包括以下内容：
3.根据权利要求2所述的一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述随机挑选方法包括：第k+t个数据与第t个数据进行对应，如果为相同信号则设置标签为0，如果为不同信号则设置标签为1，保证0与1标签的比例为1。
4.根据权利要求1所述的一种基于动态匹配对比的深度学习信号开集识别方法，其特征在于：所述s2具...
【专利技术属性】
技术研发人员：郑垚，徐海滨，高加健，戴文骏，韩猛，向泽勇，韩雪峰，郭晓青，
申请(专利权)人：四川九洲软件有限公司，
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。