[发明专利]一种电磁信号智能协同识别方法及系统

权利要求书

1.一种电磁信号智能协同识别方法及系统，其特征在于，所述电磁信号智能协同识别方法包括：

对电磁信号进行智能表征，并作为后续深度学习网络的输入；

在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合；

将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练；

实施基于分布式决策级融合的电磁信号识别。

2.如权利要求1所述的电磁信号智能协同识别方法，其特征在于，所述对电磁信号进行智能表征，并作为后续深度学习网络的输入包括：

接收到的WSN无线信号s(t)表示为：

s(k)＝x(k)+e(k)；

其中，e(k)为人为噪声，用α稳定噪声描述该噪声，概率密度函数没有闭合形式，e(t)用特征函数表示为：

其中，

式中各参数为：

·0α≤2为特征指数，它决定了稳定分布的形状。当α＝2时，该分布对应于方差为2γ的高斯分布的特征函数；

·γ≥0为色散参数，类似于高斯噪声的方差，它决定了分布在中心的扩散；

·-1≤β≤1是偏度指数，控制分布的对称性；

·δ是位置参数，表示x轴α稳定分布率密度函数的中心，值区间是实数域；

(1)计算AM、FM信号的广义包络平方谱，首先对接收到的电磁信号进行预处理，则：

其中x＝rcosθ为要处理的信号，处理后的信号包络平方为：

u(t)＝f(x)²+H[f(x)]²；

其中，f(x)为预处理后信号，利用谱估计的直接法来估计电磁信号的功率谱，得信号的包络平方谱P(ω)为：

其中，U_N(ω)为u(t)的傅里叶变换；

(2)计算BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信号的分数低阶循环谱：

对于α稳定分布噪声下的信号x(t)，其p阶共变定义表示为：

其中，τ为时间延迟；p为阶因子，其取值范围为[1,α)，α为背景噪声特征指数，取值范围为[1,2]，展开成傅里叶级数，傅里叶级数系数就是信号的分数低阶循环自相关函数，其表示式为：

其中，ε为p阶循环频率，对进行傅里叶变换得到信号x(t)的分数低阶循环谱密度函数为：

3.如权利要求1所述的电磁信号智能协同识别方法，其特征在于，所述在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合包括：采用的基础网络为DenseNet，是DenseBlock和TransitionLayer交替连接的网络，将最后一个DenseBlock的输出与前一个进行融合，之后将输出再与更前一个DenseBlock的输出融合，最后将各个特征融合层的输出结果融合并连接全局池化及softmax来作为网络输出。

4.如权利要求3所述的电磁信号智能协同识别方法，其特征在于，所述特征融合层由输入层1，输入层2，反卷积层，单元操作层及输出层组成；

输入层2接收到更深一层的特征后进行反卷积操作，达到与输入层1输入特征相同的大小，通过单元操作层使大小相等的智能表征信息进行融合，对两层对应元素进行点乘、加减、取最大、拼接操作；

采用拼接操作，即按智能表征信息的第四个维度将智能表征信息拼接，拼接后的智能表征信息保持原图的大小，通道数为输入通道数之和；由输出层输出融合结果，将智能表征输入该网络后进行特征级融合。