CN110210330A - 基于内隐知识构建图卷积网络的电磁信号识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于内隐知识构建图卷积网络的电磁信号识别方法及装置，其中，该方法包括：获取多个电磁信号，并提取多个电磁信号的特征描述，根据多个电磁信号的特征描述生成特征矩阵作为第一类输入信息；挖掘多个电磁信号的内隐知识，根据内隐知识构建基于电磁信号内隐知识的图结构作为第二类输入信息；根据第一类输入信息和第二类输入信息搭建图卷积神经网络，利用弱监督学习方法对图卷积神经网络进行循环迭代训练，以使图卷积神经网络输出多个电磁信号的类别。该方法可以利用每个节点的特征，挖掘节点与节点之间的关系，对每个电磁信号类别的特征进行深入的提取，构建图卷积神经网络，对电磁信号进行识别，利用更多的信息，泛化能力更强。

Description

基于内隐知识构建图卷积网络的电磁信号识别方法及装置

技术领域

本发明涉及电磁信号智能感知技术领域，特别涉及一种基于内隐知识构建图卷积网络的电磁信号识别方法及装置。

背景技术

当今，随着移动通信设备的不断普及以及物联网技术的蓬勃发展，特别是在5G技术和物联网技术即将大规模应用的背景下，保护无线通讯的安全比如设备验证、非法发射设备监测等，不论是在民用通讯还是工业制造中都变得愈加重要。而信号细微特征的提取在这一领域展现出了巨大的应用价值，它可以利用信号处理技术对无线通信信号进行辨识并提取细微特征，然后与密钥系统配合使用，建立基于软硬件的双重识别体制，使得WLAN系统的信息安全得到提高，因此展现出了极为诱人的前景。而这一机制的核心则在于建立有效的电磁信号识别方法。

传统的识别方法是基于特征匹配、统计决策理论或支持向量机分类等方法。然而需要注意的是这些依赖于人工设计的识别方法在当前越来越复杂的电磁环境下，很难保证其对目标的辨识精度、对识别的响应速度。而通过过去几年机器学习在各领域的发展可以看到，机器学习对于解决感知和识别问题有着更好的表现。因此发展基于机器学习的智能电磁信号识别方法，提高电磁信号识别设备的智能化是十分重要的。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于内隐知识构建图卷积网络的电磁信号识别方法，该方法可以利用每个节点的特征，挖掘节点与节点之间的关系，对每个电磁信号类别的特征进行深入的提取，利用更多的信息，泛化能力更强。

本发明的另一个目的在于提出一种基于内隐知识构建图卷积网络的电磁信号识别装置。

为达到上述目的，本发明一方面实施例提出了一种基于内隐知识构建图卷积网络的电磁信号识别方法，包括：

S1，获取多个电磁信号，并提取所述多个电磁信号的特征描述，根据所述多个电磁信号的特征描述生成特征矩阵作为第一类输入信息；

S2，挖掘所述多个电磁信号的内隐知识，根据所述内隐知识构建基于电磁信号内隐知识的图结构作为第二类输入信息；

S3，根据所述第一类输入信息和所述第二类输入信息搭建图卷积神经网络，利用弱监督学习方法对所述图卷积神经网络进行循环迭代训练，以使所述图卷积神经网络输出所述多个电磁信号的类别。

本发明实施例的基于内隐知识构建图卷积网络的电磁信号识别方法，基于电磁信号的内隐知识搭建图卷积神经网络，可以挖掘节点与节点之间的关系，对每个电磁信号类别的特征进行深入的提取，利用更多的信息，泛化能力强，同时充分利用信号的先验知识，增加了信号间的关系描述精确度，提升了分类准确度，提高了神经网络的可控性和可解释性。

另外，根据本发明上述实施例的基于内隐知识构建图卷积网络的电磁信号识别方法还可以具有以下附加的技术特征：

进一步地，所述内隐知识包括：调制类型、载波频率、码元速率、射频特征、频谱特征和信道特征。

进一步地，所述多个电磁信号的特征描述为时频特征；

通过短时傅里叶变换、小波变换和希尔伯特—黄变换提取所述多个电磁信号的特征描述。

进一步地，所述S1还包括：

通过成分分析法、线性判别分析法和局部线性嵌入法对所述时频特征进行降维处理。

进一步地，所述S2，具体包括：

挖掘所述多个电磁信号的内隐知识，以比较不同电磁信号之间的相关性，根据所述不同电磁信号之间的相关性生成邻接矩阵，根据所述邻接矩阵构建所述图结构作为所述第二类输入信息，其中，所述图结构的图节点代表所述不同电磁信号。

进一步地，所述S3，还包括：通过计算交叉熵来评估所述图卷积神经网络输出所述多个电磁信号的类别的准确度。

为达到上述目的，本发明另一方面实施例提出了一种基于内隐知识构建图卷积网络的电磁信号识别装置，包括：

时频特征提取模块，用于获取多个电磁信号，提取所述多个电磁信号的特征描述，根据所述多个电磁信号的特征描述生成特征矩阵作为第一类输入信息；

内隐知识图构建模块，用于挖掘所述多个电磁信号的内隐知识，根据所述内隐知识构建基于电磁信号内隐知识的图结构作为第二类输入信息；

电磁信号分类模块，用于根据所述第一类输入信息和所述第二类输入信息搭建图卷积神经网络，利用弱监督学习方法对所述图卷积神经网络进行循环迭代训练，以使所述图卷积神经网络输出所述多个电磁信号的类别。

本发明实施例的基于内隐知识构建图卷积网络的电磁信号识别装置，基于电磁信号的内隐知识搭建图卷积神经网络，可以挖掘节点与节点之间的关系，对每个电磁信号类别的特征进行深入的提取，利用更多的信息，泛化能力强，同时充分利用信号的先验知识，增加了信号间的关系描述精确度，提升了分类准确度，提高了神经网络的可控性和可解释性。

另外，根据本发明上述实施例的基于内隐知识构建图卷积网络的电磁信号识别装置还可以具有以下附加的技术特征：

进一步地，所述多个电磁信号的特征描述为时频特征；

通过短时傅里叶变换、小波变换和希尔伯特—黄变换提取所述多个电磁信号的特征描述；

所述内隐知识包括：调制类型、载波频率、码元速率、射频特征、频谱特征和信道特征。

进一步地，所述时频特征提取模块，还用于，

通过成分分析法、线性判别分析法和局部线性嵌入法对所述时频特征进行降维处理。

进一步地，所述电磁信号分类模块，还用于通过计算交叉熵来评估所述图卷积神经网络输出所述多个电磁信号的类别的准确度。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于内隐知识构建图卷积网络的电磁信号识别方法流程图；

图2为根据本发明一个实施例的不同电磁信号的时频图像示意图；

图3为根据本发明一个实施例的电磁信号传播示意图；

图4为根据本发明一个实施例的基于电磁信号内隐知识的图结构示意图；

图5为根据本发明一个实施例的基于电磁信号内隐知识的图卷积神经网络的结构图；

图6为根据本发明又一个实施例的基于内隐知识构建图卷积网络的电磁信号识别方法流程图；

图7为根据本发明一个实施例的基于内隐知识构建图卷积网络的电磁信号识别装置结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的基于内隐知识构建图卷积网络的电磁信号识别方法及装置。

首先将参照附图描述根据本发明实施例提出的基于内隐知识构建图卷积网络的电磁信号识别方法。

图1为根据本发明一个实施例的基于内隐知识构建图卷积网络的电磁信号识别方法流程图。

如图1所示，该基于内隐知识构建图卷积网络的电磁信号识别方法包括以下步骤：

步骤S1，获取多个电磁信号，并提取多个电磁信号的特征描述，根据多个电磁信号的特征描述生成特征矩阵作为第一类输入信息。

具体地，通过多种方式提取出多个电磁信号的特征描述构成特征矩阵作为构建的图卷积神经网络的第一类输入信息。

进一步地，电磁信号的特征描述可以有很多种，作为一种方式，提取的多个电磁信号的特征描述为时频特征，提取特征描述的方式又多种，包括但不限于短时傅里叶变换(Short Time Fourier Transform，STFT)、小波变换(Wavelet Transform，WT)和希尔伯特—黄变换(Hilbert-Huang Transform，HHT)。

进一步地，S1还包括：

通过成分分析法(Principal Component Analysis，PCA)、线性判别分析法(Linear Discriminant Analysis，LDA)和局部线性嵌入法(Locally linear embedding，LLE)对时频特征进行降维处理。

具体地，由于电磁信号时频特征具有更高的辨识性，因此将电磁信号利用短时傅里叶变换(Short-time Fourier Transform，STFT)表征为二维时频分布即可作为节点的特征描述，如图2所示，给出了四种不同电磁信号的STFT时频图像，可见不同种类电磁信号的时频分布有明显区别。然而，兼顾到分辨精度，时频图像的维度通常较高，会导致巨大的计算量，因此，需要对STFT时频分布利用主成分分析法进行降维处理，从而得到每个电磁信号i的特征描述x_i∈R^C(其中C代表降维后的时频特征数)，所有电磁信号的特征描述构成N×C的特征矩阵X(其中N代表所有电磁信号的数目)。

步骤S2，挖掘多个电磁信号的内隐知识，根据内隐知识构建基于电磁信号内隐知识的图结构作为第二类输入信息。

进一步地，内隐知识包括但不限于调制类型、载波频率、码元速率、射频特征、频谱特征和信道特征。

进一步地，S2具体包括：挖掘多个电磁信号的内隐知识，以比较不同电磁信号之间的相关性，根据不同电磁信号之间的相关性生成邻接矩阵，根据邻接矩阵构建图结构作为第二类输入信息，其中，图结构的图节点代表不同电磁信号。

可以理解的是，构建的图结构中，其节点包含的信息为不同电磁信号的特征描述，节点与节点之间的连接关系可由邻接矩阵给出。

具体的，提取已知类别的电磁信号集合X₁和未知类别的电磁信号集合X₂中所有电磁信号的内隐知识，包括其调制类型、载波频率、码元速率、信道传播方式等，这些内隐知识包含在信号的传输过程中，如图3所示，构成了信号的内隐知识集合K＝{k₁,k₂,…,k_L}，其中L为内隐知识的种类数。

如图3所示，图3(a)、图3(b)、图3(c)、图3(d)、图3(e)、图3(f)分别代表信号、调制、数模转换、信道、射频、天线，为对图3(g)的进一步说明。

具体地，根据内隐知识构建图结构，我们构建的基于电磁信号内隐知识的图结构，如图4所示，图G是由顶点集V和连接顶点的边集E构成的离散结构，因此可以表示成G＝(V,E)。对于研究的基于电磁信号内隐知识的图结构，其每个顶点为已知类别电磁信号i∈X₁或未知类别电磁信号i∈X₂的特征描述x_i，邻接矩阵A∈R^N×N则根据电磁信号的内隐知识集合K来构建：对于邻接矩阵中任意位置的元素A_ij，若所对应的两个电磁信号i和j都类别已知，那么如果属于同一类，则A_ij＝1；如果属于不同类，则A_ij＝0；若所对应的两个电磁信号中存在类别未知的信号，则需比较二者的内隐知识集合，计算相关性作为元素A_ij的值。

可以理解的是，邻接矩阵的值介于0到1之间，是由电磁信号的内隐知识决定的，任意两个电磁信号的内隐知识相关性越高，则邻接矩阵对应元素的值越大。

步骤S3，根据第一类输入信息和第二类输入信息搭建图卷积神经网络，利用弱监督学习方法对图卷积神经网络进行循环迭代训练，以使图卷积神经网络输出多个电磁信号的类别。

进一步地，S3还包括：通过计算交叉熵来评估图卷积神经网络输出多个电磁信号的类别与其实际类别的一致程度。

通过多次的循环迭代训练，提高图卷积神经网络输出多个电磁信号的类别的准确度，其中，训练中止的条件为：连续两次循环循迭代训练的交叉熵的绝对误差小于预设最小值，且单次循环训练的交叉熵小于预设最小值，和\或，循环迭代训练次数达到预设最大值。

具体地，搭建的图卷积神经网络包含多层图卷积层和分类层，优选地包括三层图卷积层。

图卷积神经网络通过梯度优化方法降低已知类别电磁信号的网络输出类别与其实际类别之间的误差，提高网络的分类精度，优选地梯度优化方法包括Adam、RMSprop等。

具体地，图卷积神经网络的目标是要学习图G上的信号或特征的一个映射，其输入层包括：

(1)所有节点的特征描述构成的N×D的特征矩阵X。对于研究的网络、节点特征描述即电磁信号的时频特征；

(2)矩阵形式的图结构的特征描述。对于我们研究的网络，图结构特征描述即基于电磁信号内隐知识定义的邻接矩阵A。

通过在输入层之后叠加三层隐藏层，如图5所示，更深度地利用节点与节点之间的关系，从而归纳出每个类别更泛化的特征，提高分类精度。网络输出层会输出所有节点的输出特征向量z_i∈R^F(其中F表示电磁信号类别的数目)，所有节点的输出特征向量构成N×F的矩阵Z，再利用Softmax层，对信号进行分类，得到每个节点i属于每个电磁信号类别的概率分布向量通过交叉熵(cross-entropy)来估量神经网络输出类别的概率分布向量与其实际类别的one-hot编码y_i的一致程度，公式如下:

通过Adam优化算法降低已知类别电磁信号的网络输出类别与其实际类别y_i之间的交叉熵，当连续两次循环的均方误差值的绝对误差小于10^-5时，训练结束，从而得到了训练好的神经网络，网络输出即为电磁信号所属的较准确的类别。

综上，基于内隐知识构建图卷积网络的电磁信号识别方法通过提取电磁信号内隐知识，构建电磁信号内隐知识库；基于电磁信号内隐知识库比较不同电磁信号之间的相似性，从而生成描述电磁信号之间关系的邻接矩阵，将邻接矩阵作为图结构的特征描述；提取电磁信号时频特征，然后进行特征降维，降低运算量，将降维后的时频特征作为图节点的特征描述；最后搭建图神经网络，将邻接矩阵和电磁信号的时频特征作为网络输入，输出每个电磁信号所属类别。

下面通过具体实施例对基于内隐知识构建图卷积网络的电磁信号识别方法详细描述。

如图6所示，通过希尔伯特—黄变换提取多个电磁信号的特征描述。

1)提取电磁信号的特征描述；

具体的，将电磁信号利用希尔伯特—黄变换(HHT)表征为二维时频分布，然后对HHT时频分布利用局部线性嵌入法(LLE)进行降维处理，从而得到每个电磁信号i的特征描述x_i∈R^C(其中C代表降维后的时频特征数)，所有电磁信号的特征描述构成N×C的特征矩阵X(其中N代表所有电磁信号的数目)。

2)提取电磁信号内隐知识；

具体的，提取已知类别的电磁信号集合X₁和未知类别的电磁信号集合X₂中所有电磁信号的内隐知识，包括其调制类型、载波频率、码元速率、信道传播方式等，它们构成了信号的内隐知识集合K＝{k₁,k₂,…,k_L}，其中L为内隐知识的种类数。

3)构建基于电磁信号内隐知识的图G；

具体的，图G的每个顶点为已知类别电磁信号i∈X₁或未知类别电磁信号i∈X₂的特征描述x_i，邻接矩阵A∈R^N×N则根据电磁信号的内隐知识集合K来构建：对于邻接矩阵中任意位置的元素A_ij，若所对应的两个电磁信号i和j都类别已知，那么如果属于同一类，则A_ij＝1；如果属于不同类，则A_ij＝0；若所对应的两个电磁信号中存在类别未知的信号，则需比较二者的内隐知识集合，计算相关性作为元素A_ij的值。

4)搭建基于电磁信号内隐知识的图卷积神经网络。

具体的，图卷积神经网络的输入层包括电磁信号的时频特征构成的N×D的特征矩阵X和基于电磁信号内隐知识定义的邻接矩阵A。然后在输入层之后叠加三层隐藏层，更深度地利用节点与节点之间的关系，网络输出层会输出所有节点的输出特征向量z_i∈R^F(其中F表示电磁信号类别的数目)，所有节点的输出特征向量构成N×F的矩阵Z，再利用Softmax层，对信号进行分类，得到每个节点i属于每个电磁信号类别的概率分布向量通过交叉熵来估量神经网络输出类别的概率分布向量与其实际类别的one-hot编码y_i的一致程度，通过Adam优化算法降低已知类别电磁信号的网络输出类别与其实际类别y_i之间的交叉熵，当单次循环的均方误差小于最小值10^-4时，训练结束，从而得到了训练好的神经网络，网络输出即为电磁信号所属的较准确的类别。

进一步地，通过小波变换对多个电磁信号的特征描述进行提取。如图6所示。

1)提取电磁信号的特征描述；

具体的，将电磁信号利用小波变换(WT)表征为二维时频分布，然后对WT时频分布利用线性判别分析法(LDA)进行降维处理，从而得到每个电磁信号i的特征描述x_i∈R^C(其中C代表降维后的时频特征数)，所有电磁信号的特征描述构成N×C的特征矩阵X(其中N代表所有电磁信号的数目)。

2)提取电磁信号内隐知识；

具体的，提取已知类别的电磁信号集合X₁和未知类别的电磁信号集合X₂中所有电磁信号的内隐知识，包括其调制类型、载波频率、码元速率、信道传播方式等，它们构成了信号的内隐知识集合K＝{k₁,k₂,…,k_L}，其中L为内隐知识的种类数。

3)构建基于电磁信号内隐知识的图G；

具体的，图G的每个顶点为已知类别电磁信号i∈X₁或未知类别电磁信号i∈X₂的特征描述x_i，邻接矩阵A∈R^N×N则根据电磁信号的内隐知识集合K来构建：对于邻接矩阵中任意位置的元素A_ij，若所对应的两个电磁信号i和j都类别已知，那么如果属于同一类，则A_ij＝1；如果属于不同类，则A_ij＝0；若所对应的两个电磁信号中存在类别未知的信号，则需比较二者的内隐知识集合，计算相关性作为元素A_ij的值。

4)搭建基于电磁信号内隐知识的图卷积神经网络；

具体的，图卷积神经网络的输入层包括电磁信号的时频特征构成的N×D的特征矩阵X和基于电磁信号内隐知识定义的邻接矩阵A。然后在输入层之后叠加三层隐藏层，更深度地利用节点与节点之间的关系，网络输出层会输出所有节点的输出特征向量z_i∈R^F(其中F表示电磁信号类别的数目)，所有节点的输出特征向量构成N×F的矩阵Z，再利用Softmax层，对信号进行分类，得到每个节点i属于每个电磁信号类别的概率分布向量通过交叉熵来估量神经网络输出类别的概率分布向量与其实际类别的one-hot编码y_i的一致程度，通过RMSprop优化算法降低已知类别电磁信号的网络输出类别与其实际类别y_i之间的交叉熵，当循环次数达到最值10⁵次时，训练结束，从而得到了训练好的神经网络，网络输出即为电磁信号所属的较准确的类别。

根据本发明实施例提出的基于内隐知识构建图卷积网络的电磁信号识别方法，基于电磁信号的内隐知识搭建图卷积神经网络，可以挖掘节点与节点之间的关系，对每个电磁信号类别的特征进行深入的提取，利用更多的信息，泛化能力强，同时通过邻接矩阵充分利用信号的先验知识，增加了信号间的关系描述精确度，提升了分类准确度，提高了神经网络的可控性和可解释性。

其次参照附图描述根据本发明实施例提出的基于内隐知识构建图卷积网络的电磁信号识别装置。

图7为根据本发明一个实施例的基于内隐知识构建图卷积网络的电磁信号识别装置结构示意图。

如图7所示，该基于内隐知识构建图卷积网络的电磁信号识别装置包括：时频特征提取模块100、内隐知识图构建模块200和电磁信号分类模块300。

其中，时频特征提取模块100，用于获取多个电磁信号，提取多个电磁信号的特征描述，根据多个电磁信号的特征描述生成特征矩阵作为第一类输入信息。

内隐知识图构建模块200，用于挖掘多个电磁信号的内隐知识，根据内隐知识构建基于电磁信号内隐知识的图结构作为第二类输入信息。

电磁信号分类模块300，用于根据第一类输入信息和第二类输入信息搭建图卷积神经网络，利用弱监督学习方法对图卷积神经网络进行循环迭代训练，以使图卷积神经网络输出多个电磁信号的类别。

该电磁信号识别装置可以利用每个节点的特征，挖掘节点与节点之间的关系，对每个电磁信号类别的特征进行深入的提取，利用更多的信息，泛化能力更强。

进一步地，多个电磁信号的特征描述为时频特征；

通过短时傅里叶变换、小波变换和希尔伯特—黄变换提取多个电磁信号的特征描述；

内隐知识包括：调制类型、载波频率、码元速率、射频特征、频谱特征和信道特征。

进一步地，时频特征提取模块，还用于，

通过成分分析法、线性判别分析法和局部线性嵌入法对时频特征进行降维处理。

进一步地，电磁信号分类模块，还用于通过计算交叉熵来评估图卷积神经网络输出多个电磁信号的类别的准确度。

通过多次迭代训练使图卷积神经网络输出的多个电磁信号的类别的准确度更高，结束训练的条件为：连续两次循环迭代循训练的交叉熵的绝对误差小于预设最小值，且单次循环训练的交叉熵小于预设最小值，和\或，循环迭代训练次数达到预设最大值。

需要说明的是，前述对基于内隐知识构建图卷积网络的电磁信号识别方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

根据本发明实施例提出的基于内隐知识构建图卷积网络的电磁信号识别装置，基于电磁信号的内隐知识搭建图卷积神经网络，可以挖掘节点与节点之间的关系，对每个电磁信号类别的特征进行深入的提取，利用更多的信息，泛化能力强，同时通过邻接矩阵充分利用信号的先验知识，增加了信号间的关系描述精确度，提升了分类准确度，提高了神经网络的可控性和可解释性。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于内隐知识构建图卷积网络的电磁信号识别方法，其特征在于，包括以下步骤：

S1，获取多个电磁信号，并提取所述多个电磁信号的特征描述，根据所述多个电磁信号的特征描述生成特征矩阵作为第一类输入信息；

S2，挖掘所述多个电磁信号的内隐知识，根据所述内隐知识构建基于电磁信号内隐知识的图结构作为第二类输入信息；

S3，根据所述第一类输入信息和所述第二类输入信息搭建图卷积神经网络，利用弱监督学习方法对所述图卷积神经网络进行循环迭代训练，以使所述图卷积神经网络输出所述多个电磁信号的类别。

2.根据权利要求1所述的方法，其特征在于，所述内隐知识包括：调制类型、载波频率、码元速率、射频特征、频谱特征和信道特征。

3.根据权利要求1所述的方法，其特征在于，

所述多个电磁信号的特征描述为时频特征；

通过短时傅里叶变换、小波变换和希尔伯特—黄变换提取所述多个电磁信号的特征描述。

4.根据权利要求3所述的方法，其特征在于，所述S1还包括：

通过成分分析法、线性判别分析法和局部线性嵌入法对所述时频特征进行降维处理。

5.根据权利要求1所述的方法，其特征在于，所述S2，具体包括：

挖掘所述多个电磁信号的内隐知识，以比较不同电磁信号之间的相关性，根据所述不同电磁信号之间的相关性生成邻接矩阵，根据所述邻接矩阵构建所述图结构作为所述第二类输入信息，其中，所述图结构的图节点代表所述不同电磁信号。

6.根据权利要求1所述的方法，其特征在于，所述S3还包括：通过计算交叉熵来评估所述图卷积神经网络输出所述多个电磁信号的类别的准确度。

7.一种基于内隐知识构建图卷积网络的电磁信号识别装置，其特征在于，包括：

时频特征提取模块，用于获取多个电磁信号，提取所述多个电磁信号的特征描述，根据所述多个电磁信号的特征描述生成特征矩阵作为第一类输入信息；

内隐知识图构建模块，用于挖掘所述多个电磁信号的内隐知识，根据所述内隐知识构建基于电磁信号内隐知识的图结构作为第二类输入信息；

电磁信号分类模块，用于根据所述第一类输入信息和所述第二类输入信息搭建图卷积神经网络，利用弱监督学习方法对所述图卷积神经网络进行循环迭代训练，以使所述图卷积神经网络输出所述多个电磁信号的类别。

8.根据权利要求7所述的装置，其特征在于，

所述多个电磁信号的特征描述为时频特征；

通过短时傅里叶变换、小波变换和希尔伯特—黄变换提取所述多个电磁信号的特征描述；

所述内隐知识包括：调制类型、载波频率、码元速率、射频特征、频谱特征和信道特征。

9.根据权利要求7所述的装置，其特征在于，所述时频特征提取模块，还用于，

通过成分分析法、线性判别分析法和局部线性嵌入法对所述时频特征进行降维处理。

10.根据权利要求7所述的装置，其特征在于，所述电磁信号分类模块，还用于通过计算交叉熵来评估所述图卷积神经网络输出所述多个电磁信号的类别的准确度。