CN108243129B - 基于注意力深度网络的无线电信号特征提取方法 - Google Patents
基于注意力深度网络的无线电信号特征提取方法 Download PDFInfo
- Publication number
- CN108243129B CN108243129B CN201711345302.2A CN201711345302A CN108243129B CN 108243129 B CN108243129 B CN 108243129B CN 201711345302 A CN201711345302 A CN 201711345302A CN 108243129 B CN108243129 B CN 108243129B
- Authority
- CN
- China
- Prior art keywords
- layer
- attention
- radio signal
- convolution
- sample set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Error Detection And Correction (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开一种基于注意力深度网络的无线电信号特征提取方法,其实现步骤为:在构建编码调制联合无线电信号基础上生成训练样本集和测试样本集;构建包含注意力机制层的用于提取无线电信号特征的注意力深度网络;将训练样本集输入注意力深度网络中进行训练,得到训练好的注意力深度网络;利用测试样本集和训练好的注意力深度网络获得识别准确率。本发明具有普适性强,不需要人工特征提取,可去除冗余信息,复杂度低,分类结果准确、稳定的优点,可用于后续无线电信号的认知识别等处理中。
Description
技术领域
本发明属于通信技术领域,更进一步涉及信号处理技术领域中的一种基于注意力深度网络的无线电信号特征提取方法。本发明模拟人类大脑信息处理机制中的视觉选择性注意力机制,可以在复杂的电磁环境下,通过自动提取无线电信号特征和快速筛选出高价值特征,用于后续无线电信号的认知识别。相比已有深度学习模型,本发明不仅具有计算复杂度低、参数规模小、易于硬件实现的特点,而且能在较低信噪比下获得准确的无线电信号调制编码方式的识别。
背景技术
无线电信号特征提取是无线电信号处理的基本步骤,对于后续处理性能与效率均起着决定性作用。一直以来国内外各大科研机构和高校在无线电信号的特征提取领域做出了大量的工作,利用大量的专家先验知识对信号进行分析,以获得具有判别性的信号特征。特别是近年来随着通信环境的日益复杂,信号种类和干扰快速增加,这种依赖经验设计特征的方法面临诸多困难与局限,缺点也愈发突出。另一方面,尽管基于传统方法的无线电信号信道编码类型的识别能在某类信号上能达到较满意的识别率,但在编码调制联合认知识别的准确性和有效性上有待进一步发展和提高。因此我们引入机器学习技术,并基于人类大脑信号处理机制中的视觉选择性注意力机制,建立了一个注意力深度网络模型,以自动提取各类无线电信号的层次化的显著语义特征,为复杂电磁环境下精准有效的无线电信号认知识别提供具有判别力的特征。
南京信息职业技术学院在其申请的专利文献“一种低信噪比条件下认知无线电信号调制方式的识别方法”(申请号201210438094.1公开号103812577B)中公开了一种低信噪比条件下认知无线电信号调制方式识别方法。该方法实现方法如下:步骤如下:(1)对接收信号进行分段频域滤波;(2)检测信号频谱中正弦波分量个数,若包含两个正弦波分量,则判定接收信号为FSK调制方式;若不满足,则执行步骤(3);(3)将接收信号作平方运算,检测其频谱中的正弦波分量个数,若只有单个正弦波,则接收信号为BPSK调制方式;若包含两个正弦波分量则判定接收信号为MSK调制方式;若上述皆不满足,则执行步骤(4);(4)将接收信号作四次方运算,检测其频谱中的正弦波分量个数,若只有单个正弦波分量则判定接收信号为QPSK调制方式,上述皆不满足则判为未知调制方式信号。该方法存在的不足之处是:该方法虽然提出了一种低信噪比条件下认知无线电信号调制方式识别方法,但是该方法在对信号进行特征提取时需要频域转换和复杂的数学运算,需要大量的先验知识,高度依赖人工特征提取,特征提取方法复杂。
杜青等人在其发表的论文“基于小波分析与神经网络的无线信号分类方法的研究”(河北工业大学2007年硕士论文)中阐述了一种基于小波分析与神经网络的无线信号分类方法。该算法实现方法如下:第一步是特征提取,采用Daubechies小波对信号进行七层分解和重构,研究了以各层信号的均方差作为信号的特征矢量的方法。第二步是调制方式分类,设计了用于实现调制信号分类的RBF神经网络,用提取的样本集的特征对RBF神经网络进行训练,用训练好的网络对测试集的信号进行分类。该方法存在的不足之处是:该方法虽然提出了一种基于神经网络的无线电特征提取方法来实现信号分类,但无法对无线电信号进行有效的特征提取,从而无法实现无线电信号调制编码方式的识别,并且该方法需要对一维信号进行小波分析才能用神经网络进行特征提取和分类识别的问题。
发明内容
本发明针对上述现有技术的不足,提出一种基于注意力深度网络的无线电信号特征提取方法。
实现本发明目的的具体思路是,设计针对一维无线电信号的注意力深度网络进行无线电信号特征提取,为后续无线电信号的认知识别等处理提供有判别力的特征。该方法所提取出的特征能够在无线电信号调制编码的联合识别中达到较高的识别率,同时又能降低传统调制识别方法对人工特征提取和先验知识的高度依赖性,准确分类多种无线电信号的信道编码方式类型和调制方式类型,并简化了识别步骤,使无线电信号的特征提取方法更加简便、高效、灵活。
实现本发明目的的具体步骤包括如下:
(1)构建编码调制联合无线电信号:
(1a)将接收到的每一个无线电信号信息序列,依次进行四种信道编码,生成不同的编码信号;
(1b)将每一个编码信号依次进行六种调制,得到编码调制联合无线电信号;
(2)生成训练样本集和测试样本集:
(2a)对编码调制联合无线电信号中每一个信号样本的所有信息点以100个信息点为间隔进行采样,将每次连续采集的440个信息点组成一个信号样本,将所有的信号样本组成无线电信号样本集;
(2b)从无线电信号样本集中随机抽取80%的信号样本组成训练样本集,剩余的信号样本组成测试样本集;
(3)构建提取无线电信号特征的注意力深度网络:
(3a)搭建一个自动提取无线电信号特征的17层注意力深度网络;
(3b)设置注意力深度网络中的损失函数为交叉熵、优化算法为误差逆传播算法、激活函数为修正线性单元激活函数;将第一全连接层和第二全连接层的神经元个数分别设置为64和24,分类器层为多分类函数Softmax;
(3c)设置注意力深度网络的卷积层和池化层如下:第一卷积层为64个卷积核,每个卷积核为1×3的矩阵;第二卷积层为64个卷积核,每个卷积核为1×5的矩阵;第三卷积层为128个卷积核,每个卷积核为1×3的矩阵;第四卷积层为128个卷积核,每个卷积核为1×5的矩阵;第五卷积层为256个卷积核,每个卷积核为1×3的矩阵;第六卷积层为256个卷积核,每个卷积核为1×5的矩阵;设置第一池化层、第二池化层、第三池化层、第四池化层和第五池化层的池化方式为最大池化方式,池化步长为2;第五池化层的输出结果为256个1×16的特征向量;
(4)构建注意力深度网络的注意力机制层:
(4a)将注意力机制层的输入设置为256个神经单元,并将第五池化层输出结果中的256个特征向量依次作为256个神经单元的输入值,得到每个神经元的输入值;
(4b)利用初始化方法,将256个神经单元中每一个神经元的权重和偏置初始化,得到每个神经单元的初始化权重和初始化偏置;
(4b)对于每个神经单元,将其输入值与初始化权重相乘,再将相乘的结果与初始化偏置相加,得到每个神经单元的初始注意力权重;
(4c)利用权重处理公式,将每个神经单元的初始注意力权重处理,得到每个神经单元的权重值;
(4d)对每个神经单元的权重值分别进行以自然对数为底数的指数操作,得到每个神经单元的注意力权重;
(4e)对于每个神经单元,将其注意力权重与输入值相乘,得到每个神经单元的注意力特征值;
(4f)将所有神经单元的注意力特征值相加求和,得到注意力值,将注意力值作为注意力机制层的输出结果;
(5)用训练样本集训练注意力深度网络:
打乱训练样本集中所有样本的排列顺序,将训练样本集输入到注意力深度网络中训练18次,得到训练好的注意力深度网络;
(6)用测试样本集获得特征提取后的识别准确率:
(6a)将测试样本集输入到训练好的注意力深度网络中,得到识别结果;
(6b)将识别结果与测试样本集的真实类别进行对比,得到特征提取后的识别准确率。
本发明与现有技术相比具有以下优点:
第一,由于本发明搭建一个自动提取无线电信号特征的17层注意力深度网络,用于对信号进行自动特征提取,克服了现有技术中对信号进行特征提取时需要频域转换和复杂数学运算,并且需要大量的先验知识的问题,使得本发明可以在对无线电信号进行自动特征提取时,不依赖大量先验知识,从而使无线电信号的特征提取方法更加简便、灵活,增强了注意力深度网络的普适性。
第二,由于本发明对编码调制联合无线电信号中每一个信号样本的所有信息点以100个信息点为间隔进行采样,将每次连续采集的440个信息点组成一个信号样本,将所有的信号样本组成无线电信号样本集,克服了现有技术中需要对一维信号进行小波分析才能用神经网络进行特征提取和分类识别的问题,使得本发明可以直接对一维信号进行特征提取,简化了无线电信号特征提取的步骤,从而提高了无线信号特征提取和分类识别的效率。
第三,由于本发明构建注意力深度网络的注意力机制层,通过注意力机制对神经网络的权重赋值,将计算资源分配给更重要、更有效的特征,去除信号特征提取过程中的冗余信息,克服了现有技术无法对无线电信号进行有效的特征提取的问题,使得本发明无线电信号特征提取的过程更加高效,提高了无线电信号调制编码方式识别的准确率。
附图说明
图1为本发明的流程图;
图2是本发明仿真实验所用的24种编码调制联合信号的波形示意图;
图3是本发明仿真实验的结果图。
具体实施方式
下面结合附图对发明做进一步描述。
参照附图1,对本发明的具体步骤做进一步的描述。
步骤1,构建编码调制联合无线电信号。
将接收到的每一个无线电信号信息序列,依次进行四种信道编码,生成不同的编码信号。
所述的四种信道编码是指,汉明码信道编码、二分之一码率的216非系统卷积码信道编码、三分之二码率的216非系统卷积码信道编码、四分之三码率的432非系统卷积码信道编码。
将每一个编码信号依次进行六种调制,得到编码调制联合无线电信号。
所述六种调制是指,二进制相移键控调制、四进制相移键控调制、八进制相移键控调制、二进制数字频率调制、二进制数字频率调制与频率调制结合的二次调制、四进制相移键控与频率调制结合的二次调制。
步骤2,生成训练样本集和测试样本集。
对编码调制联合无线电信号中每一个信号样本的所有信息点以100个信息点为间隔进行采样,将每次连续采集的440个信息点组成一个信号样本,将所有的信号样本组成无线电信号样本集。
从无线电信号样本集中随机抽取80%的信号样本组成训练样本集,剩余的信号样本组成测试样本集。
步骤3,构建提取无线电信号特征的注意力深度网络。
搭建一个自动提取无线电信号特征的17层注意力深度网络。
所述的17层注意力深度网络为:输入层→第一卷积层→第二卷积层→第一池化层→第三卷积层→第二池化层→第四卷积层→第三池化层→第五卷积层→第四池化层→第六卷积层→第五池化层→注意力机制层→第一全连接层→第二全连接层→分类器层→输出层。
设置注意力深度网络中的损失函数为交叉熵、优化算法为误差逆传播算法、激活函数为修正线性单元激活函数;将第一全连接层和第二全连接层的神经元个数分别设置为64和24,分类器层为多分类函数Softmax。
设置注意力深度网络的卷积层和池化层如下:第一卷积层为64个卷积核,每个卷积核为1×3的矩阵;第二卷积层为64个卷积核,每个卷积核为1×5的矩阵;第三卷积层为128个卷积核,每个卷积核为1×3的矩阵;第四卷积层为128个卷积核,每个卷积核为1×5的矩阵;第五卷积层为256个卷积核,每个卷积核为1×3的矩阵;第六卷积层为256个卷积核,每个卷积核为1×5的矩阵;设置第一池化层、第二池化层、第三池化层、第四池化层和第五池化层的池化方式为最大池化方式,池化步长为2;第五池化层的输出结果为256个1×16的特征向量。
步骤4,构建注意力深度网络的注意力机制层。
将注意力机制层的输入设置为256个神经单元,并将第五池化层输出结果中的256个特征向量依次作为256个神经单元的输入值,得到每个神经元的输入值。
利用初始化方法,将256个神经单元中每一个神经元的权重和偏置初始化,得到每个神经单元的初始化权重和初始化偏置。
所述的初始化方法为:每一个神经单元的权重服从区间上的均匀分布,所有神经元的偏置设为零。
对于每个神经单元,将其输入值与初始化权重相乘,再将相乘的结果与初始化偏置相加,得到每个神经单元的初始注意力权重。
利用权重处理公式,将每个神经单元的初始注意力权重处理,得到每个神经单元的权重值。
所述的权重处理公式如下:
其中,Ym表示第m个神经元的初始注意力权重xm经过权重处理后的权重值,e表示以自然对数为底数的指数操作。
对每个神经单元的权重值分别进行以自然对数为底数的指数操作,得到每个神经单元的注意力权重。
对于每个神经单元,将其注意力权重与输入值相乘,得到每个神经单元的注意力特征值。
将所有神经单元的注意力特征值相加求和,得到注意力值,将注意力值作为注意力机制层的输出结果。
步骤5,用训练样本集训练注意力深度网络。
打乱训练样本集中所有样本的排列顺序,将训练样本集输入到注意力深度网络中训练18次,得到训练好的注意力深度网络。
步骤6,用测试样本集获得特征提取后的识别准确率。
将测试样本集输入到训练好的注意力深度网络中,得到识别结果。
将识别结果与测试样本集的真实类别进行对比,得到特征提取后的识别准确率。
下面结合仿真实验对本发明的效果做进一步的描述。
1.仿真条件:
本发明的仿真实验是在Intel(R)E5-2630 CPU 2GHz,GTX1080,Ubuntu16.04LTS系统下,TensorFlow1.0.1运行平台上,完成本发明以及构建编码调制联合信号和注意力深度网络的无线电信号特征提取方法的仿真实验。
2.仿真实验内容:
本发明的仿真实验所用的24种编码调制联合信号的波形示意图如图2所示,图2(a)为汉明码信道编码联合二进制相移键控调制的联合信号波形示意图。图2(b)为二分之一码率的216非系统卷积码信道编码联合二进制相移键控调制的联合信号波形示意图。图2(c)为三分之二码率的216非系统卷积码信道编码联合二进制相移键控调制的联合信号波形示意图。图2(d)为四分之三码率的432非系统卷积码信道编码联合二进制相移键控调制的联合信号波形示意图。图2(e)为汉明码信道编码联合八相移相键控调制的联合信号波形示意图。图2(f)为二分之一码率的216非系统卷积码信道编码联合八相移相键控调制的联合信号波形示意图。图2(g)为三分之二码率的216非系统卷积码信道编码联合八相移相键控调制的联合信号波形示意图。图2(h)为四分之三码率的432非系统卷积码信道编码联合八相移相键控调制的联合信号波形示意图。图2(i)为汉明码信道编码联合二进制数字频率调制的联合信号波形示意图。图2(j)为二分之一码率的216非系统卷积码信道编码联合二进制数字频率调制的联合信号波形示意图。图2(k)为三分之二码率的216非系统卷积码信道编码联合二进制数字频率调制的联合信号波形示意图。图2(l)为四分之三码率的432非系统卷积码信道编码联合二进制数字频率调制的联合信号波形示意图。图2(m)为汉明码信道编码联合二进制数字频率调制与频率调制的二次调制的联合信号波形示意图。图2(n)为二分之一码率的216非系统卷积码信道编码联合二进制数字频率调制与频率调制的二次调制的联合信号波形示意图。图2(o)为三分之二码率的216非系统卷积码信道编码联合二进制数字频率调制与频率调制的二次调制的联合信号波形示意图。图2(p)为四分之三码率的432非系统卷积码信道编码联合二进制数字频率调制与频率调制的二次调制的联合信号波形示意图。图2(q)为汉明码信道编码联合四进制数字频率调制的联合信号波形示意图。图2(r)为二分之一码率的216非系统卷积码信道编码联合四进制数字频率调制的联合信号波形示意图。图2(s)为三分之二码率的216非系统卷积码信道编码联合四进制数字频率调制的联合信号波形示意图。图2(t)为四分之三码率的432非系统卷积码信道编码联合四进制数字频率调制的联合信号波形示意图。图2(u)为汉明码信道编码联合四进制数字频率调制与频率调制的二次调制的联合信号波形示意图。图2(v)为二分之一码率的216非系统卷积码信道编码联合四进制数字频率调制与频率调制的二次调制的联合信号波形示意图。图2(w)为三分之二码率的216非系统卷积码信道编码联合四进制数字频率调制与频率调制的二次调制的联合信号波形示意图。图2(x)为四分之三码率的432非系统卷积码信道编码联合四进制数字频率调制与频率调制的二次调制的联合信号波形示意图。
3.仿真实验结果分析:
本发明的仿真是将训练样本集输入到注意力深度网络中训练18次,在训练18次的过程中,统计每次训练结果的损失函数值,得到本发明的仿真实验结果如图3(a)所示的曲线。图3(a)中的横轴代表训练迭代次数,纵轴对应每次迭代的损失函数值train loss,损失函数值越小代表注意力深度网络的训练效果越好。由图3(a)可见,随着训练次数的增加损失函数值递减并最终收敛至稳定,说明本仿真实验的训练效果随着训练次数的增多而提高。
将测试样本集输入到训练好的注意力深度网络中,得到24种信号的识别结果,再将每种信号的识别结果与其真实类别进行对比,统计识别准确率,得到本发明的仿真实验结果如图3(b)所示的折线图。图3(b)中的横轴代表24种信号,纵轴代表每种信号特征提取后的识别准确率,识别准确率越高代表注意力深度网络对无线电信号进行特征提取的效果越好。由图3(b)可见,每种信号的识别准确率均在90%以上。对24种信号的识别准确率求平均值,可得本仿真实验的24种信号特征提取后的平均识别准确率为94%,说明提取的无线电信号特征对于无线电信号编码调制识别有效可行。
由以上的仿真实验可以说明,针对无线电信号编码调制联合识别,本发明可以有效地完成不同类别无线电信号的特征提取任务,方法有行。
Claims (5)
1.一种基于注意力深度网络的无线电信号特征提取方法,其特征在于,包括如下步骤:
(1)构建编码调制联合无线电信号:
(1a)将接收到的每一个无线电信号信息序列,依次进行四种信道编码,生成不同的编码信号;
(1b)将每一个编码信号依次进行六种调制,得到编码调制联合无线电信号;
(2)生成训练样本集和测试样本集:
(2a)对编码调制联合无线电信号中每一个信号样本的所有信息点以100个信息点为间隔进行采样,将每次连续采集的440个信息点组成一个信号样本,将所有的信号样本组成无线电信号样本集;
(2b)从无线电信号样本集中随机抽取80%的信号样本组成训练样本集,剩余的信号样本组成测试样本集;
(3)构建提取无线电信号特征的注意力深度网络:
(3a)搭建一个自动提取无线电信号特征的17层注意力深度网络,其网络为:输入层→第一卷积层→第二卷积层→第一池化层→第三卷积层→第二池化层→第四卷积层→第三池化层→第五卷积层→第四池化层→第六卷积层→第五池化层→注意力机制层→第一全连接层→第二全连接层→分类器层→输出层;
(3b)设置注意力深度网络中的损失函数为交叉熵、优化算法为误差逆传播算法、激活函数为修正线性单元激活函数;将第一全连接层和第二全连接层的神经元个数分别设置为64和24,分类器层为多分类函数Softmax;
(3c)设置注意力深度网络的卷积层和池化层如下:第一卷积层为64个卷积核,每个卷积核为1×3的矩阵;第二卷积层为64个卷积核,每个卷积核为1×5的矩阵;第三卷积层为128个卷积核,每个卷积核为1×3的矩阵;第四卷积层为128个卷积核,每个卷积核为1×5的矩阵;第五卷积层为256个卷积核,每个卷积核为1×3的矩阵;第六卷积层为256个卷积核,每个卷积核为1×5的矩阵;设置第一池化层、第二池化层、第三池化层、第四池化层和第五池化层的池化方式为最大池化方式,池化步长为2;第五池化层的输出结果为256个1×16的特征向量;
(4)构建注意力深度网络的注意力机制层:
(4a)将注意力机制层的输入设置为256个神经单元,并将第五池化层输出结果中的256个特征向量依次作为256个神经单元的输入值,得到每个神经元的输入值;
(4b)利用初始化方法,将256个神经单元中每一个神经元的权重和偏置初始化,得到每个神经单元的初始化权重和初始化偏置;
(4c)对于每个神经单元,将其输入值与初始化权重相乘,再将相乘的结果与初始化偏置相加,得到每个神经单元的初始注意力权重;
(4d)利用权重处理公式,将每个神经单元的初始注意力权重处理,得到每个神经单元的权重值;
(4e)对每个神经单元的权重值分别进行以自然对数为底数的指数操作,得到每个神经单元的注意力权重;
(4f)对于每个神经单元,将其注意力权重与输入值相乘,得到每个神经单元的注意力特征值;
(4g)将所有神经单元的注意力特征值相加求和,得到注意力值,将注意力值作为注意力机制层的输出结果;
(5)用训练样本集训练注意力深度网络:
打乱训练样本集中所有样本的排列顺序,将训练样本集输入到注意力深度网络中训练18次,得到训练好的注意力深度网络;
(6)用测试样本集获得特征提取后的识别准确率:
(6a)将测试样本集输入到训练好的注意力深度网络中,得到识别结果;
(6b)将识别结果与测试样本集的真实类别进行对比,得到特征提取后的识别准确率。
2.根据权利要求1所述的基于注意力深度网络的无线电信号特征提取方法,其特征在于,步骤(1a)中所述的四种信道编码是指,汉明码信道编码、二分之一码率的216非系统卷积码信道编码、三分之二码率的216非系统卷积码信道编码、四分之三码率的432非系统卷积码信道编码。
3.根据权利要求1所述的基于注意力深度网络的无线电信号特征提取方法,其特征在于,步骤(1b)中所述六种调制是指,二进制相移键控调制、四进制相移键控调制、八进制相移键控调制、二进制数字频率调制、二进制数字频率调制与频率调制结合的二次调制、四进制相移键控与频率调制结合的二次调制。
4.根据权利要求1所述的基于注意力深度网络的无线电信号特征提取方法,其特征在于,步骤(4b)中所述的初始化方法是:每一个神经单元的权重服从区间上的均匀分布,所有神经元的偏置设为零。
5.根据权利要求1所述的基于注意力深度网络的无线电信号特征提取方法,其特征在于,步骤(4d)中所述的权重处理公式如下:
其中,Ym表示第m个神经元的初始注意力权重xm经过权重处理后的权重值,e表示以自然对数为底的指数操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711345302.2A CN108243129B (zh) | 2017-12-15 | 2017-12-15 | 基于注意力深度网络的无线电信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711345302.2A CN108243129B (zh) | 2017-12-15 | 2017-12-15 | 基于注意力深度网络的无线电信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108243129A CN108243129A (zh) | 2018-07-03 |
CN108243129B true CN108243129B (zh) | 2019-12-24 |
Family
ID=62700284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711345302.2A Active CN108243129B (zh) | 2017-12-15 | 2017-12-15 | 基于注意力深度网络的无线电信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108243129B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271926B (zh) * | 2018-09-14 | 2021-09-10 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109522819B (zh) * | 2018-10-29 | 2020-08-18 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
CN109495214B (zh) * | 2018-11-26 | 2020-03-24 | 电子科技大学 | 基于一维Inception结构的信道编码类型识别方法 |
CN109829408B (zh) * | 2019-01-23 | 2022-05-17 | 中国科学技术大学 | 基于卷积神经网络的智能闪电识别装置 |
CN109787929A (zh) * | 2019-02-20 | 2019-05-21 | 深圳市宝链人工智能科技有限公司 | 信号调制识别方法、电子装置及计算机可读存储介质 |
CN110109063A (zh) * | 2019-05-20 | 2019-08-09 | 吉林大学 | 一种基于深度信念网络的辐射源重频调制类型识别方法 |
CN110166391B (zh) * | 2019-06-13 | 2021-07-02 | 电子科技大学 | 脉冲噪声下基于深度学习的基带预编码msk信号解调方法 |
CN111080729B (zh) * | 2019-12-24 | 2023-06-13 | 山东浪潮科学研究院有限公司 | 基于Attention机制的训练图片压缩网络的构建方法及系统 |
CN113111772A (zh) * | 2021-04-12 | 2021-07-13 | 电子科技大学 | 基于一维多核并行结构的信道编码结构识别方法 |
CN113658355B (zh) * | 2021-08-09 | 2022-09-02 | 燕山大学 | 一种基于深度学习的认证识别方法以及智能空气锁 |
CN115276853B (zh) * | 2022-06-16 | 2023-10-03 | 宁波大学 | 一种基于cnn-cbam的频谱感知方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103812577A (zh) * | 2012-11-06 | 2014-05-21 | 西南交通大学 | 非正常无线电信号的自动识别系统及其方法 |
CN104182621A (zh) * | 2014-08-08 | 2014-12-03 | 同济大学 | 基于深度信念网络的adhd判别分析方法 |
WO2015115976A1 (en) * | 2014-01-30 | 2015-08-06 | Procera Networks Ab | Methods and devices for data flow control in a communication network |
CN106997380A (zh) * | 2017-03-21 | 2017-08-01 | 北京工业大学 | 基于dcgan深度网络的成像光谱图像安全检索方法 |
CN107291945A (zh) * | 2017-07-12 | 2017-10-24 | 上海交通大学 | 基于视觉注意力模型的高精度服装图像检索方法及系统 |
-
2017
- 2017-12-15 CN CN201711345302.2A patent/CN108243129B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103812577A (zh) * | 2012-11-06 | 2014-05-21 | 西南交通大学 | 非正常无线电信号的自动识别系统及其方法 |
WO2015115976A1 (en) * | 2014-01-30 | 2015-08-06 | Procera Networks Ab | Methods and devices for data flow control in a communication network |
CN104182621A (zh) * | 2014-08-08 | 2014-12-03 | 同济大学 | 基于深度信念网络的adhd判别分析方法 |
CN106997380A (zh) * | 2017-03-21 | 2017-08-01 | 北京工业大学 | 基于dcgan深度网络的成像光谱图像安全检索方法 |
CN107291945A (zh) * | 2017-07-12 | 2017-10-24 | 上海交通大学 | 基于视觉注意力模型的高精度服装图像检索方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108243129A (zh) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108243129B (zh) | 基于注意力深度网络的无线电信号特征提取方法 | |
Gal et al. | Bayesian convolutional neural networks with Bernoulli approximate variational inference | |
CN108282263B (zh) | 基于一维深度残差轻量网络的编码调制联合识别方法 | |
CN109307862A (zh) | 一种目标辐射源个体识别方法 | |
CN112699960B (zh) | 基于深度学习的半监督分类方法、设备及存储介质 | |
CN110363360A (zh) | 一种短期风电功率预测方法、装置及设备 | |
Świercz | Automatic classification of LFM signals for radar emitter recognition using wavelet decomposition and LVQ classifier | |
CN114157539B (zh) | 一种数据知识双驱动的调制智能识别方法 | |
CN110048978A (zh) | 一种信号调制识别方法 | |
CN110503082A (zh) | 一种基于深度学习的模型训练方法以及相关装置 | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
CN111310700A (zh) | 一种用于辐射源指纹特征识别的中频采样序列处理方法 | |
CN112163558A (zh) | 时间序列数据的特征提取方法、装置、设备及存储介质 | |
Yu et al. | Fingerprint extraction and classification of wireless channels based on deep convolutional neural networks | |
CN110647788A (zh) | 一种基于微多普勒特征的人类日常行为分类方法 | |
Zhang et al. | Hypergraph-based image processing | |
CN114067915A (zh) | 一种基于深度对抗变分自编码器的scRNA-seq数据降维方法 | |
CN112084842A (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
Niu et al. | Exploiting sparse self-representation and particle swarm optimization for CNN compression | |
CN113052099B (zh) | 一种基于卷积神经网络的ssvep分类方法 | |
Tuncer et al. | A novel spiral pattern and 2D M4 pooling based environmental sound classification method | |
Xiong et al. | A dictionary learning algorithm for multi-channel neural recordings | |
CN113837122B (zh) | 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统 | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
Dyer et al. | Deep signature statistics for likelihood-free time-series models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |