[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

说明书

本发明公开了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，根据在分类任务中激活值大的神经元对分类任务起关键作用的特点，通过统计LSTM网络中激活值较大的神经元，将这些神经元的激活值相加后对输入求导就可以获得特征矩阵，该特征矩阵反应了模型对输入各个部位的关注程度。将特征矩阵印射到输入波形图以及星座图上后就可以获得模型对输入各个部位的关注程度以及模型对星座图上关键位置的关注程度，就可实现对模型的解释性分析。该方法可以对基于LSTM网络的信号调制类型识别模型的识别机理进行解释性分析，从而验证模型的安全性。

技术领域

本发明属于深度学习安全领域，具体涉及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。

背景技术

无线通信已在人们的生产生活中扮演了越来越重要的角色，已被应用在多个领域，如在民事领域，通过无线通信实现了车机互联，车辆自动驾驶，道路摄像头无线监控，手机定位导航等；在军事领域，通过无线通信实现了武器平台的内部无线互联，组成近距离通信指挥网络，精确定位等。无线通信依赖于无线通信系统实现。无线通信系统由发射端和接收端组成，发射端对信号进行通道编码，调制和脉冲整形后进行发送。接收端使用载波和符号同步、信道估计、均衡、解调和解码等过程从接收到的失真信号中恢复信息。在恢复时需要对接收到的信号的调制类型进行识别后才能进行解码等信号恢复操作，因此信号调制类型的识别对无线通信系统接收端的信号恢复至关重要。并且信号调制类型的识别在认知无线电、软件定义无线电和电子战等民用和军事应用中发挥着重要作用，如在民事领域，信号调制类型的识别是认知自动驾驶实现的重要步骤之一。

信号调制类型识别技术被用来对接收到信号的调制类型进行识别。传统的信号调制类型识别主要采用多种仪器和领域实验，通常成本高昂，精度无法保证。传统的信号方法首先基于专家知识提取无线电特征，即频谱、矩、累积量，然后通过统计或机器学习算法对其进行分类。然而，由于分类精度在很大程度上依赖于提取的无线电特异性特征，因此其性能并不能得到保证。提取正确的无线电特征具有挑战性，需要大量的计算。

深度神经网络的优异性能促进了许多复杂数据处理领域的发展，如大幅提高了语音识别和图像识别的准确率。随着深度神经网络在这些任务中的成功，深度神经网络也被应用于无线通信系统中。深度学习的发展为信号分类问题提供了有效的解决途径，在信号调制类型识别任务中已经获得了优异的性能，正在迅速成为信号自动调制分类的重要技术。但对于信号调制类型识别机制的理解和关键原因，即可解释性，仍然是一个悬而未决的问题。与传统的具有可解释性的基于特征的信号自动调制类型识别算法不同，基于深度学习的分类器以端到端的方式推断调制类别，就像“黑匣子”一样运作。近年来，基于深度学习的分类器的可解释性逐渐在图像分类、自然语言处理、语音识别、文本分类等领域得到了研究。然而，在无线电信号领域，很少有解释能预测出什么样的无线电特征可以被不同的深度学习无线电调制分类器所提取。深度学习模型对信号调制类型的识别机理也是未知的，模型的安全性也就无法得到印证。无线通信技术在一些场景中有着较高的安全性要求，如在军事无线通信中，利用无线通信技术，军方可以对敌方进行精确定位。虽然深度学习模型对信号调制类型识别有着极高的性能，但是由于深度学习模型对信号的识别机理仍是未知的，深度学习模型被应用在军事领域的安全性是难以验证的。

对于基于卷积神经网络的信号调制类型识别模型，可以使用计算机视觉领域的可解释技术对其进行解释性分析。然而信号是一种时序数据，在信号调制类型识别任务中，循环神经网络如长短期记忆网络(Long Short-Term Memory，LSTM)这种可以处理时序数据的模型已被大量应用，而对LSTM模型的可解释技术是匮乏的。

发明内容

针对目前基于LSTM网络的信号调制类型识别模型难以进行可解释性分析，模型的安全性难以得到验证的问题，本发明提供了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和装置，通过神经元的激活值获得模型对输入的特征矩阵，通过特征矩阵对LSTM模型识别信号的机理进行解释性分析，从而验证模型的安全性。

本发明的技术方案为：