[发明专利]一种基于神经元激活的信号调制类型识别模型可解释方法及装置

权利要求书

1.一种基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，包括以下步骤：

(1)构建包含训练样本和测试样本的数据集，构建基于LSTM网络和分类网络的信号调制类型识别网络，并利用训练样本训练信号调制类型识别网络，得到信号调制类型识别模型；

(2)将测试样本输入至信号调制类型识别模型中，并统计在测试样本输入下，LSTM网络在每个时间步的前I大的I个神经元激活值，根据所有时间步的前I大的I个神经元激活值之和构建损失函数，并以损失函数相对输入测试样本的导数为特征矩阵；

其中，构建的损失函数Loss’为：

其中，T表示总时间步长，也就是输入测试样本的长度，表示第t步神经元输出的第i个较大的激活值，I表示神经元激活值的总个数，即前I大的I个神经元激活值；

(3)将特征矩阵映射到测试样本对应的波形图上，通过观察波形图上特征点体现的信号调制类型识别模型对波形图上每个部位的关注程度，实现对信号调制类型识别模型的识别机理的可解释性分析，以分析模型的安全性；

(4)将特征矩阵映射到星座图上，通过观察特征点体现信号调制类型识别模型对星座图上的关键位置的关注程度，实现对信号调制类型识别模型的识别机理的可解释性分析，以分析模型的安全性。

2.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，在构建数据集时，将信号矩阵进行正则化处理，处理后的信号矩阵分为训练样本和测试样本组成数据集。

3.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，所述LSTM网络包含至少2个全连接神经网络，每个全连接神经网络包含至少1层全连接层，用于提取输入数据的特征，每个全连接层的神经元个数由单元数决定。

4.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，所述分类网络为至少1个全连接层组成的全连接神经网络。

5.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，将测试样本输入信号调制类型识别模型时，在每个时间步上，从LSTM网络中最后一个全连接神经网络的输出矩阵上统计前n大的神经元激活值。

6.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，特征矩阵F为：

其中，x表示输入测试样本。

7.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，将特征矩阵映射到测试样本对应的波形图上时，以颜色区分呈现特征矩阵中特征点元素值大小，通过观察波形上特征点的颜色来确定信号调制类型识别模型关注的波形部位及关注程度，实现对信号调制类型识别模型的识别机理的可解释性分析，当信号调制类型识别模型关注的波形部位及关注程度与确定信号调制类型的波形关键部位不同时，则认为信号调制类型识别模型不安全。

8.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，将特征矩阵映射到星座图时，首先，基于根据波形图上的IQ信号能够计算相位和幅值，根据特征矩阵在波形图上的体现，同样计算特征点的相位和幅值，根据特征点的相位和幅值获得星座图，实现将特征矩阵映射到星座图。

9.如权利要求1或8所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，将特征矩阵映射到星座图上时，以颜色区分呈现特征矩阵中特征点元素值大小，通过观察星座图上特征点的颜色来确定信号调制类型识别模型关注的部位，实现对信号调制类型识别模型的识别机理的可解释性分析，当信号调制类型识别模型关注的部位与星座图上确定信号调制类型的关键位置不同时，则认为信号调制类型识别模型不安全。

10.一种基于神经元激活的信号调制类型识别模型的可解释装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行计算机程序时实现权利要求1～9任一项所述的基于神经元激活的信号调制类型识别模型的可解释方法。