[发明专利]基于倒残差深度神经网络的干扰识别方法和装置

权利要求书

1.一种基于倒残差深度神经网络的干扰识别方法，其特征在于，所述方法包括：

对干扰信号进行采样得到接收信号，对所述接收信号进行短时傅里叶变换得到所述干扰信号的时频图像，将所述时频图像和所述干扰信号的真实类别组成训练集；

将所述训练集中的时频图像输入基于通道、时间和频率的三重注意力模块的倒残差深度神经网络进行识别，输出所述干扰信号的预测类别；其中，所述倒残差深度神经网络包括：第一普通卷积层、倒残差结构、第二普通卷积层、全局平均池化层、展平层、随机丢失层、全连接层和Softmax层；所述第一普通卷积层从所述时频图像中提取时频图像特征，得到时频图像特征图；基于所述三重注意力模块的所述倒残差结构从所述时频图像特征图中提取包含时频域和通道域的综合干扰特征，得到综合干扰特征图；将所述综合干扰特征图依次输入所述第二普通卷积层、全局平均池化层、展平层、随机丢失层、全连接层和Softmax层进行识别，得到所述干扰信号的预测类别；

将所述训练集中的所述真实类别和所述预测类别输入预先构建的损失函数对所述倒残差深度神经网络进行训练，得到训练好的倒残差深度神经网络；

将待识别的干扰信号输入所述训练好的倒残差深度神经网络进行识别，得到干扰信号类别；

所述基于所述三重注意力模块的所述倒残差结构从所述时频图像特征图中提取包含时频域和通道域的综合干扰特征，得到综合干扰特征图，包括：

所述倒残差结构包括升维卷积层、深度可分离卷积层、三重注意力模块、降维卷积层、随机丢失层和捷径分支；

根据所述升维卷积层、深度可分离卷积层对所述时频图像特征图进行升维，得到升维特征图；

根据所述三重注意力模块从通道、时间和频率三个维度对所述升维特征图进行加权，得到三重加权特征图；

根据所述降维卷积层、随机丢失层对所述三重加权特征图进行降维，得到降维特征图；

将所述降维特征图与所述捷径分支中的所述时频图像特征图进行相加，得到综合干扰特征图。

2.根据权利要求1所述的方法，其特征在于，对干扰信号进行采样得到接收信号，对所述接收信号进行短时傅里叶变换得到所述干扰信号的时频图像，包括：

在一定的干噪比范围内对所述干扰信号进行间隔采样，得到所述接收信号，对所述接收信号进行短时傅里叶变换得到所述干扰信号的时频图像，表示为

其中，表示所述时频图像，和分别表示时间和频率的离散索引，为接收的时域信号序列，为所述时频图像的傅里叶变换点数，为窗函数，为窗函数的共轭表示，为计算所述时频图像过程中的时域分段长度。

3.根据权利要求2所述的方法，其特征在于，将所述时频图像和所述干扰信号的真实类别组成训练集，包括：

根据双三次插值算法对所述时频图像进行插值变换，得到目标分辨率的时频图像，将所述目标分辨率的时频图像和所述干扰信号的真实类别组成所述训练集。

4.根据权利要求1所述的方法，其特征在于，所述第一普通卷积层从所述时频图像中提取时频图像特征，得到时频图像特征图，包括：

根据kaiming方法对所述第一普通卷积层进行权重初始化，得到初始化普通卷积层；

所述初始化普通卷积层根据批量归一化处理和Swish激活函数激活从所述时频图像中提取时频图像特征，得到时频图像特征图。

5.根据权利要求1所述的方法，其特征在于，所述倒残差结构为多层重复堆叠的倒残差结构。