[发明专利]一种电磁信号智能协同识别方法及系统

说明书

本发明属于电磁信号智能识别技术领域，公开了一种电磁信号智能协同识别方法及系统，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。当广义信噪比在10dB以上时，本发明对AM、FM、BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信号的识别率均在90％以上，可见本发明具有良好的识别性能。

技术领域

本发明属于电磁信号智能识别技术领域，尤其涉及一种电磁信号智能协同识别方法、系统、存储介质及应用。

背景技术

目前，电磁信号分类是电磁信号认知中的一项基础性和关键性技术，用于识别电磁信号的调制信息，在信号解调、可疑传输监控、异常检测、干扰定位等领域有着广泛的应用。在分布式网络中，由于不同的传播和传输环境的影响，即使发射机发出信号完全相同，在各个接收传感器上也会观察到不同的信号。传统的信号识别方法多以高斯噪声为噪声模型，而在实际环境中的噪声往往具有尖峰脉冲性质且噪声的概率密度函数有较厚的拖尾，这对传输的电磁信号造成极大干扰。由于传感器网络中信道容量的限制，使得原始观测集无法在主节点上完整地访问。因此在本地进行部分信号处理显得尤为重要。同时在复杂的电磁环境中，由于电磁信号的调制方式多种多样，参数变化频繁，受到干扰严重，很难进行有效的信号分类。随着人工智能技术的发展，相关算法在信号分类中得到了广泛的应用。人工智能产生的信号分类能够解决传统信号分类方法的问题，包括高依赖人工特性、低模型稳定性和高模型复杂性。T.O’Shea等人采用小波模糊神经网络方法解决了某些类型噪声引起的电磁信号识别难题，但该方法的缺点是收敛速度慢，容易陷入局部极值(T.O’Shea，T.Roy and T.Clancy，“Over-the-air deep learning based radio signalclassification，”IEEE J.Sel.Topics Signal Process.，vol.12，no.1，pp.168-179，Feb.2018.)。R.Cao等人使用电磁信号的双谱估计和稀疏自编码器来识别信号。然而，该方法不能保证模型的全局最优性(R.Cao，J.Cao，J.-P.Mei，C.Yin，and X.Huang，``Radaremitter identification with bispectrum and hierarchical extreme learningmachine，”Multimedia Tools Appl.，vol.77，pp.1_18，May 2018.)。G.Yang等人提出一种基于显式无数代价函数和全局优化方法，但当过采样率降低时将导致算法的性能下降(G.Yang，J.Wang，G.Zhang，Q.Shao and S.Li，Joint Estimation of Timing andCarrier Phase Offsets for MSK Signals in Alpha-Stable Noise，IEEECommunications Letters，vol.22，no.1，pp.89-92，Jan.2018.)。M.Mohanty等人使用过完备混合字典对加性混合高斯噪声和脉冲噪声进行稀疏信号分解(SSD)后，提出了一种调制类型分类方法，然而这种方法需要SSD对接收信号进行额外的预处理，从而增加了分类器的计算复杂性(M.Mohanty，U.Satija and B.Ramkumar，Sparse decomposition frameworkfor maximum likelihood classification under alpha-stable noise，2015IEEEInternational Conference on Electronics，Computing and CommunicationTechnologies(CONECCT)，Bangalore，2015，pp.1-6.)。但以上分类效果要么因为考虑性能而选择了可能导致收敛速度慢、不能保证模型的全局最优性的算法，要么因为要对信号进行大量预处理增加复杂度，要么因为对信号质量要求较高，当环境发生改变时不能保证良好的鲁棒性，均不能达到理想效果。