[发明专利]一种基于深度学习的通信信号特征融合方法

说明书

本发明公开了一种基于深度学习的特征融合方法，涉及电磁信号识别技术领域。首先对目标离散信号进行预处理，使用短时傅里叶变换提取所有数据的功率谱密度P，将功率谱密度P作为通信信号源的特征；再以功率谱密度P作为通信辐射源的特征导入事先训练好的神经网络，完成特征的提取，得到特征P1；其次将目标离散信号分段，求每一段的载频和码元速率相对偏差，将之作为特征P2；最后将提取后的特征P2与特征P1在数量级上对应拼接起来，作为融合特征P3；采用融合特征P3对信号进行识别。与现有技术相比，本发明技术方案的有益效果是：具有更高的识别率，能够准确识别通信信号设备。

技术领域

发明涉及电磁信号识别技术领域，更具体地，涉及一种基于深度学习的融合特征改善识别率的技术。

背景技术

近年来，复杂多变的通信体制以及不断增加的通信设备配置个数，使得电磁信号个体识别所采用的常规信号特征，如载波频率、脉冲宽度、脉冲幅度、到达时间、到达方位角以及调制模式等已经难以满足当前复杂多变的电磁环境下辐射源信号个体识别的需求。

为了提高通信信号特征的有效率，研究通信信号特征的自动提取方法势在必行。通信信号自动提取特征的研究重点主要集中在深度学习上。通常深度学习方法不需要手工提取数据的经验特征，由神经网络自动学习抽象形成。比较常见的深度学习方法有自动编码器、全连接的深度神经网络、卷积神经网络以及循环神经网络等。将神经网络算法引入通信信号的提取特征处理过程，可以省略人为提取特征的过程，自动发现更佳数据来改善分类特征。但是深度学习自动提取出来的特征，有的时候并不能完全满足识别要求。寻找一种性能更优的方法来进一步提高辐射源信号的识别率，对于辐射源识别技术有着重要的意义。

发明内容

针对人工特征准确率不高和自动特征局限性的问题,本发明提出一种提高信号识别率的特征融合方法。

本发明技术方案为一种基于深度学习的特征融合方法，包括以下步骤：

S1.对目标离散信号进行预处理，使用短时傅里叶变换提取所有数据的功率谱密度P，将功率谱密度P作为通信信号源的特征；

S2.以功率谱密度P作为通信辐射源的特征导入事先训练好的神经网络，完成特征的提取，得到特征P1；

S3.将目标离散信号分段，求每一段的载频和码元速率相对偏差，将之作为特征P2；

S4.将提取后的特征P2与特征P1在数量级上对应拼接起来，作为融合特征P3；采用融合特征P3对信号进行识别。

进一步的，所述的S2中神经网络的训练方法为：

S21.使用网络从导入的功率谱密度P中抽取特征，得到特征P1；

S22.将数据添加标签并导入网络中进行训练；使用交叉验证的方法对训练的模型进行测试并使用SGD优化器；优化度量指标包括训练集和测试集的正确率、各分类目标的识别率；

网络中需要调试的参数包括：学习率、时期（模型训练遍历所有样本一次）、批大小（一次训练所选取的样本数）、每个隐藏层中的单元数、全连接层的个数、全连接层的单元数、隐藏层和全连接层的激活函数、损失函数、优化器。与现有技术相比，本发明技术方案的有益效果是：具有更高的识别率，能够准确识别通信信号设备。

附图说明

图1为本发明提供的基于深度学习的融合特征识别方法的总体框架图。

图2为实施例2中的网络结构。

图3为本发明具体实施方式的识别结果。

具体实施方式