[发明专利]一种基于卷积神经网络的未知信号辐射源识别方法

说明书

本发明涉及信号辐射源识别技术领域，公开了一种基于卷积神经网络的未知信号辐射源识别方法。该方法包括利用已知源数据训练卷积神经网络模型，提取已知源在神经网络末端层的高维度向量，对高维度向量进行PCA降维得到低维度向量，计算已知源的低维度向量中心，提取待测源在神经网络末端层的高维度向量，对高维度向量进行PCA降维得到低维度向量，计算待测源的低维度向量与已知源的低维度向量中心之间的欧式距离，根据欧式距离对待测信号辐射源进行判决。本发明解决了现有信号辐射源识别过程中因卷积神经网络硬判决而无法识别未知源的问题，具有简单易行、识别高效的特点。

技术领域

本发明涉及信号辐射源识别技术领域，具体涉及一种基于卷积神经网络的未知信号辐射源识别方法。

背景技术

现有的比较成熟的识别未知源的方法大致分为以下几种：一种是基于传统特征提取的方法，利用传统特征提取将未知源与已知源集群分开从而实现未知的判决，方法诸如：Hilbert-Huang变换、高阶谱等等。一种是基于人工智能的方法，较为常见的比如MetricLearning(度量学习)的方法，学习一个embedding函数，将输入空间(例如图片)映射到一个新的嵌入空间，在嵌入空间中有一个相似性度量来区分不同类，通过利用向量之间的相似性，避免了普通神经网络硬判决的问题。如：《Learning to Compare:Relation Networkfor Few-Shot Learning》(C)等。

现有的有关Metric Learning的方法最初场景是面向Few-shot Learning(小样本学习)的，即在面对某一类源的数据量非常低的问题时，考虑将样本的特征信息最终映射为一个向量，通过向量的相似性进行判决属于哪个源。这个核心的思想也可以应用于未知源的判决中，通过卷积神经网络对样本特征映射成向量，利用向量间相似性和距离可实现未知源的判决。但是普通卷积神经网络由于其特有的硬性判决特性，在对辐射源的未知源识别中表现比较逊色。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于卷积神经网络的未知信号辐射源识别方法，旨在解决现有技术在信号辐射源识别的过程中因卷积神经网络硬判决而无法识别未知源的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于卷积神经网络的未知信号辐射源识别方法，包括以下步骤：

S1、利用已知信号辐射源数据训练卷积神经网络模型；

S2、将已知信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量；

S3、对步骤S2提取的高维度向量进行PCA降维得到对应的低维度向量；

S4、计算步骤S3得到的已知信号辐射源对应低维度向量中心；

S5、将待测信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量；

S6、对步骤S5提取的高维度向量进行PCA降维得到对应的低维度向量；

S7、计算步骤S6得到的待测信号辐射源对应低维度向量与步骤S4得到的已知信号辐射源对应低维度向量中心之间的欧式距离；

S8、根据步骤S7计算的欧式距离对待测信号辐射源进行判决。

优选地，所述提取神经网络末端层的高维度向量具体为：

提取神经网络最后一层全连接层的高维度向量，所述高维度向量中的第i行表示第i个信号样本经过神经网络后在全连接层处的高维向量，第j列表示待降维的第j个特征。

优选地，所述步骤S3具体包括以下分步骤：

S31、对步骤S2提取的高维度向量进行去中心化处理；