[发明专利]一种基于滑动可训练算子的信号深度学习分类方法

说明书

一种基于滑动可训练算子的信号深度学习分类方法，包括以下步骤：1)信号切片方法。使用无线电信号作为样本数据、制作切片矩阵S_I；2)可训练算子方法。自定义一个可训练的算子F_I，F_I中元素的初始值由标准高斯分布随机设置并在深度学习框架的训练过程中通过优化算法进行更新；3)信号特征矩阵方法。通过将I、Q通道的信号转换为特征矩阵M_I，将获得的两个分别对应于I通道和Q通道的特征矩阵连接起来以形成两通道图像，输入到CNN中进行训练和分类。4)训练方法。整个框架是端到端的，算子和CNN可以一起训练或交替训练。CNN的结构选用任何典型深度学习网络中的一个，本发明最终选用ResNet50进行信号分类。

技术领域

本发明涉及一种无线电信号的分类方法。

背景技术

目前，无线电信号识别技术在多个领域得到重视，如在军事领域用来控制船舶、飞机、导弹、检测非法无人机等；在卫星领域进行无线电远程测量，获取探测区域的气象信息；在物联网领域利用红外探测技术实现数字智能化和软件化。

信号识别任务主要分为特征提取与分类识别两个过程。特征提取过程中，传统的方法是利用数学统计、傅立叶变换、小波变换等方法进行数据预处理和特征选择，通过大量的计算与分析提取信号数据的专家特征如高阶循环谱、高阶累积量、循环平稳特征、分形理论以及功率谱等，传统专家特征计算复杂而且不能对所有信号进行统一的标识，需要进行多次标记才能实现对一种调制方式进行识别，不仅需要耗费大量的人力物力，同时存在较大的场景局限性和准确率局限。分类识别过程中，通常传统的方法是通过人工判决树算法，对比不同的调制类型特点进行分类。这种方法实现复杂，需要极强的专业知识。

近年来，随着深度学习方法在机器人处理，物体识别，语音识别以及同声翻译等领域的成功应用，基于深度学习模型的无线电信号识别也逐渐展开研究。传统的分类识别模型包含k近邻算法(KNN)，卷积神经网(CNN)和支持向量机(SVM)等。目前对于信号分类的研究大多类似于图像中的分类任务，研究者们借助其他时序数据及图像领域的经验学习模型对信号进行处理。因不同的调制类型产生的IQ信号在时域上形状、特征不同，部分学者也开始尝试利用图像领域广泛使用的卷积神经网络(CNN)进行信号识别，然而，这些学习算法不仅破坏了信号之间的原始结构，且在某种程度上只能捕获信号采样点之间的信息，不能充分挖掘信号的特征表示，导致分类器的对测试样本的识别效果差。无线电信号在时域上具有前后相关性和时序连续性，这与时序数据的特征类似，一种处理时序信息的典型的深度学习网络——长短期记忆网络(Long Short Term Memory，LSTM)已经在多个信号领域取得良好的效果。然而，依赖LSTM解决信号识别问题必须通过增加网络的深度(层数，节点，连接数)来挖掘信号的高层特征，因此网络规模、训练时间的复杂性急剧增加，生成特征无法解释，实际应用价值限制极大。

现有信号深度学习分类方法多为通过大量的计算与分析提取信号数据的专家特征对信号进行预处理。如申请号为201810812826.6的专利所公开的技术方案，基于循环平稳与深度卷积神经网络的雷达信号分类方法。该方法首先使用循环平稳谱分析对雷达信号进行处理，将雷达信号转换到频率-循环频率域，通过计算生成频率-循环频率(双频)图像，最后使用训练好地卷积神经网络对雷达信号分类。我们的方法不需要较高的专业知识，仅通过可训练的算子构建具有可训练、端到端、自我学习能力的信号处理机制，具有重大的意义，解决了传统方法在实际应用和计算复杂度上存在局限性。

因此，针对传统的特征提取方法需要较高的专业知识及传统信号识别方法在实际应用和计算、时间复杂度上的局限性，本发明设计了一种端到端的基于滑动可训练算子的信号深度学习分类方法，通过滑窗以及矩阵乘法操作，实现可训练的“矩阵算子”，自适应提取信号的特征，将信号数据转为矩阵，并提出基于深度学习网络的信号分类识别算法，完成信号的高精度、自适应识别。

发明内容