CN110427835B - 图卷积网络与迁移学习的电磁信号识别方法和装置 - Google Patents

Abstract

本发明提出一种图卷积网络与迁移学习的电磁信号识别方法和装置，其中，方法包括：构建基于电磁信号内隐知识的图结构；搭建图卷积神经网络，并获得电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵；提取待识别的电磁信号的深层特征向量；根据更新的电磁信号分类权值矩阵和深层特征向量，完成对电磁信号的迁移学习，生成对电磁信号的感知识别结果。本发明可以基于图卷积网络与迁移学习识别电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

Description

图卷积网络与迁移学习的电磁信号识别方法和装置

技术领域

本发明涉及电磁信号智能感知技术领域，尤其涉及一种图卷积网络与迁移学习的新型电磁信号识别方法及装置。

背景技术

随着电子元器件的快速发展以及各种新型信号处理技术的出现，现代电磁环境中的各种新型和复杂的辐射源信号正在日益增多。较宽的频率使用范围、多样化的调制类型方式、灵活多变的信号处理能力，以及逐渐密集的辐射源信号流使得当前电磁环境变得日益复杂，电磁信号越来越灵活多变，且多为未知信号。

现有技术中，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的，大多依赖于人工设计，提取的特征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、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

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，本发明的第一个目的在于提出一种基于图卷积网络与迁移学习的新型电磁信号识别方法，该方法可以基于图卷积网络与迁移学习识别新型电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

本发明的第二个目的在于提出一种基于图卷积网络与迁移学习的新型电磁信号识别装置。

为达上述目的，本发明第一方面实施例提出了一种基于图卷积网络与迁移学习的新型电磁信号识别方法，包括：提取电磁信号的时频空多维特征，并挖掘所述电磁信号的内隐知识，构建基于所述电磁信号内隐知识的图结构；将所述电磁信号的时频空多维特征作为第一输入信息，并将所述电磁信号的内隐知识的图结构作为第二输入信息，搭建图卷积神经网络，并获得新型电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵；提取待识别的新型电磁信号的深层特征向量；以及根据所述更新的电磁信号分类权值矩阵和所述深层特征向量，完成对新型电磁信号的迁移学习，生成对所述新型电磁信号的感知识别结果。

本发明实施例的基于图卷积网络与迁移学习的新型电磁信号识别方法，通过图卷积神经网络，并获得新型电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵，然后根据更新的电磁信号分类权值矩阵和提取到的深层特征向量，完成对新型电磁信号的迁移学习，生成对新型电磁信号的感知识别结果，从而基于图卷积网络与迁移学习识别新型电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

其中，在本发明的一个实施例中，所述图结构的不同节点表示不同的电磁信号，描述图结构的邻接矩阵的值由所述电磁信号的内隐知识决定，其中，任意两个电磁信号的内隐知识相似性与邻接矩阵对应元素的值成正比。

进一步地，在本发明的一个实施例中，所述提取待识别的新型电磁信号的深层特征向量，包括：将所述图卷积神经网络和预设的电磁信号识别神经网络连接一个全连接层，以对电磁信号进行分类，且所述预设的电磁信号识别神经网络在全连接层之前提取出所述深层特征向量。

进一步地，在本发明的一个实施例中，所述获得新型电磁信号所属类别权值向量，包括：将所述图卷积神经网络的训练数据为已知类别的电磁信号，输出目标为所述全连接层权值矩阵的列向量，每个列向量都与每个电磁信号已知类别一一对应；通过弱监督学习训练所述图卷积神经网络使训练数据的网络输出接近所述输出目标，预测出所述新型电磁信号所属类别对应的权值向量。

进一步地，在本发明的一个实施例中，所述生成对所述新型电磁信号的感知识别结果，包括：将所述深层特征向量与所述更新的分类权值矩阵相乘，得到电磁信号属于每个电磁信号类别的概率向量，并基于最大后验概率分类准则确定所属类别。

为达上述目的，本发明第二方面实施例提出了一种基于图卷积网络与迁移学习的新型电磁信号识别装置，包括：构建模块，用于提取电磁信号的时频空多维特征，并挖掘所述电磁信号的内隐知识，构建基于所述电磁信号内隐知识的图结构；获取模块，用于将所述电磁信号的时频空多维特征作为第一输入信息，并将所述电磁信号的内隐知识的图结构作为第二输入信息，搭建图卷积神经网络，并获得新型电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵；提取模块，用于提取待识别的新型电磁信号的深层特征向量；以及识别模块，用于根据所述更新的电磁信号分类权值矩阵和所述深层特征向量，完成对新型电磁信号的迁移学习，生成对所述新型电磁信号的感知识别结果。

本发明实施例的基于图卷积网络与迁移学习的新型电磁信号识别装置，通过图卷积神经网络，并获得新型电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵，然后根据更新的电磁信号分类权值矩阵和提取到的深层特征向量，完成对新型电磁信号的迁移学习，生成对新型电磁信号的感知识别结果，从而基于图卷积网络与迁移学习识别新型电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

其中，在本发明的一个实施例中，所述图结构的不同节点表示不同的电磁信号，描述图结构的邻接矩阵的值由所述电磁信号的内隐知识决定，其中，任意两个电磁信号的内隐知识相似性与邻接矩阵对应元素的值成正比。

进一步地，在本发明的一个实施例中，所述提取模块进一步用于将所述图卷积神经网络和预设的电磁信号识别神经网络连接一个全连接层，以对电磁信号进行分类，且所述预设的电磁信号识别神经网络在全连接层之前提取出所述深层特征向量。

进一步地，在本发明的一个实施例中，所述搭建模块包括：处理单元，用于将所述图卷积神经网络的训练数据为已知类别的电磁信号，输出目标为所述全连接层权值矩阵的列向量，每个列向量都与每个电磁信号已知类别一一对应；预测单元，用于通过弱监督学习训练所述图卷积神经网络使训练数据的网络输出接近所述输出目标，预测出所述新型电磁信号所属类别对应的权值向量。

进一步地，在本发明的一个实施例中，所述识别模块进一步用于将所述深层特征向量与所述更新的分类权值矩阵相乘，得到电磁信号属于每个电磁信号类别的概率向量，并基于最大后验概率分类准则确定所属类别。

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为本发明实施例所提供的一种图卷积网络与迁移学习的新型电磁信号识别方法的流程图；

图2为本发明实施例所提供的一种电磁信号内隐知识的图结构示意图；

图3为本发明实施例所提供的一种图卷积网络的迁移学习模型的结构示意图；

图4为本发明实施例提供的一种图卷积网络与迁移学习的新型电磁信号识别装置的结构示意图。

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。

下面参考附图描述本发明实施例的基于图卷积网络与迁移学习的新型电磁信号识别方法和装置，首先将参照附图描述根据本发明实施例提出的基于图卷积网络与迁移学习的新型电磁信号识别的方法。

图1为本发明实施例所提供的一种基于图卷积网络与迁移学习的新型电磁信号识别方法的流程图。

如图1所示，本发明实施例的基于图卷积网络与迁移学习的新型电磁信号识别方法包括以下步骤：

步骤101，提取电磁信号的时频空多维特征，并挖掘电磁信号的内隐知识，构建基于电磁信号内隐知识的图结构。

在本发明的一个实施例中，图结构的不同节点表示不同的电磁信号，描述图结构的邻接矩阵的值由电磁信号的内隐知识决定，其中，任意两个电磁信号的内隐知识相似性与邻接矩阵对应元素的值成正比，也就是任意两个电磁信号的内隐知识相似性越高，则邻接矩阵对应元素的值越大。

具体的，作为一种可能实现的方式，提取已知类别的电磁信号集合X₁和新型电磁信号集合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。其时频特征为对短时傅里叶变换(Short Time Fourier Transform，简称STFT)得到的二维时频分布利用主成分分析法(PCA)进行降维处理后得到的特征描述x∈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代表新型电磁信号和已知类别电磁信号的总数目)。

具体的，作为可能实现的另一种方式，提取已知类别的电磁信号集合X₁和新型电磁信号集合X₂中所有电磁信号的内隐知识，它们构成了信号的内隐知识集合。其时频特征为对小波变换(Wavelet Transform，简称WT)得到的二维时频分布利用线性判别分析法(LDA)进行降维处理后得到的特征描述x∈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代表新型电磁信号和已知类别电磁信号的总数目)。

具体的，还可能实现的一种方式，提取已知类别的电磁信号集合X₁和新型电磁信号集合X₂中所有电磁信号的内隐知识，它们构成了信号的内隐知识集合。其时频特征为对希尔伯特—黄变换(Hilbert-Huang Transform，简称HHT)得到的二维时频分布利用局部线性嵌入法(LLE)进行降维处理后得到的特征描述x∈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代表新型电磁信号和已知类别电磁信号的总数目)。需要说明的是，电磁信号时频特征的提取方法包括但不限于短时傅里叶变换(Short Time Fourier Transform，简称STFT)、小波变换(Wavelet Transform，简称WT)和希尔伯特—黄变换(Hilbert-HuangTransform，简称HHT)等。

进一步地，如图2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或新型电磁信号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新型电磁信号，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。

步骤102，将电磁信号的时频空多维特征作为第一输入信息，并将电磁信号的内隐知识的图结构作为第二输入信息，搭建图卷积神经网络，并获得新型电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵。

在本发明的一个实施例中，获得新型电磁信号所属类别权值向量，包括：图卷积神经网络的训练数据为已知类别的电磁信号，输出目标为全连接层权值矩阵的列向量，每个列向量都与每个电磁信号已知类别一一对应；通过弱监督学习训练图卷积神经网络使训练数据的网络输出接近输出目标，预测出新型电磁信号所属类别对应的权值向量。

具体的，图卷积神经网络输入层为电磁信号时频特征构成的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。输出层输出一个分类器，用于对通过已训练好的神经网络而提取到的特征进行分类，其中，已训练好的电磁信号神经网络可以是传统的卷积神经网络、循环神经网络、或图卷积神经网络。具体如下：如图3所示，若已训练好的神经网络提取到的电磁信号特征向量s的维度为E，则之后连接的全连接层的权值矩阵W_fc大小为E×F(其中F表示电磁信号类别的数目)，特征向量s与W_fc相乘后得到y∈R^F即为此电磁信号属于每个电磁信号类别的概率向量，而W_fc的列向量即是图卷积网络的输出目标。对图神经网络进行半监督学习，若i₃和i₄是已知类别的电磁信号，i₁和i₂是新型电磁信号，则训练数据为已知类别的电磁信号i₃和i₄的特征描述x₃和x₄。若i₃属于第p类，则其输出目标为W_fc的第p列权值向量w₃，i₄同理。然后利用Adam优化算法更新网络参数，也可以利用RMSprop优化算法更新网络参数，但不限于这两种方法，使得i₃和i₄的网络输出

和

与其目标输出w₃和w₄之间的误差不断减小，提高网络回归精度，通过均方误差(MSE)来估量神经网络输出与目标输出的不一致程度，公式如下公式(1)所示：

其中

为网络输出，w为目标输出。

当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图神经网络。图神经网络的优势是可以利用基于电磁信号内隐知识的节点间的关系，因此即使样本很少也可以预测出新型电磁信号i₁和i₂更准确的权值向量

和

这样，

w₃和w₄就共同构成了包含新型电磁信号类别的权值矩阵

步骤103，提取待识别的新型电磁信号的深层特征向量。

在本发明的一个实施例中，提取待识别的新型电磁信号的深层特征向量，包括：将图卷积神经网络和预设的电磁信号识别神经网络连接一个全连接层，以对电磁信号进行分类，且预设的电磁信号识别神经网络在全连接层之前提取出深层特征向量。具体的，基于图卷积网络与迁移学习的新型电磁信号识别方法由两个神经网络共同组成：一个是基于电磁信号内隐知识的图卷积神经网络；另一个是已经训练好的电磁信号识别神经网络；两个神经网络最后会连接一个全连接层共同实现电磁信号分类。基于迁移学习理论，网络的全连接层之前的部分可用于提取新型电磁信号的深层特征向量。

步骤104，根据更新的电磁信号分类权值矩阵和深层特征向量，完成对新型电磁信号的迁移学习，生成对新型电磁信号的感知识别结果。

在本发明的一个实施例中，生成对新型电磁信号的感知识别结果，包括：将深层特征向量与更新的分类权值矩阵相乘，得到电磁信号属于每个电磁信号类别的概率向量，并基于最大后验概率分类准则确定所属类别。在本发明的一个实施例中，分类权值矩阵的更新方法可以是合并全连接层权值矩阵与新型电磁信号对应的权值向量，更新的分类权值矩阵行数为深层特征的维度，列数为包括新型电磁信号所属类别在内的所有电磁信号的类别数目。

具体的，输入的电磁信号只需通过已训练好的神经网络得到特征向量s，然后与包含新型电磁信号类别的权值矩阵

相乘，得到如图3所示的代表电磁信号属于每个电磁信号类别的概率向量y_new，基于Softmax函数即可得到其所属类别。

根据本发明实施例的基于图卷积网络与迁移学习的新型电磁信号识别方法，通过图卷积神经网络，并获得新型电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵，然后根据更新的电磁信号分类权值矩阵和提取到的深层特征向量，完成对新型电磁信号的迁移学习，生成对新型电磁信号的感知识别结果，从而基于图卷积网络与迁移学习识别新型电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

其次，下面对基于图卷积网络与迁移学习的新型电磁信号识别装置进行详细描述。

图4为本发明实施例提供的一种基于图卷积网络与迁移学习的新型电磁信号识别装置的结构示意图。

如图4所示，该基于图卷积网络与迁移学习的新型电磁信号识别装置10包括：构建模块100、获取模块200、提取模块300、识别模块400。

其中，在本发明的一个实施例中，构建模块100提取电磁信号的时频空多维特征，并挖掘电磁信号的内隐知识，构建基于电磁信号内隐知识的图结构。获取模块200将电磁信号的时频空多维特征作为第一输入信息，并将电磁信号的内隐知识的图结构作为第二输入信息，搭建图卷积神经网络，并获得新型电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵。提取模块300提取待识别的新型电磁信号的深层特征向量。识别模块400根据更新的电磁信号分类权值矩阵和深层特征向量，完成对新型电磁信号的迁移学习，生成对新型电磁信号的感知识别结果。本装置可以基于图卷积网络与迁移学习识别新型电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

进一步地，在本发明的一个实施例中，图结构的不同节点表示不同的电磁信号，描述图结构的邻接矩阵的值由电磁信号的内隐知识决定，其中，任意两个电磁信号的内隐知识相似性与邻接矩阵对应元素的值成正比。

进一步地，在本发明的一个实施例中，提取模块进一步用于将图卷积神经网络和预设的电磁信号识别神经网络连接一个全连接层，以对电磁信号进行分类，且预设的电磁信号识别神经网络在全连接层之前提取出深层特征向量。

进一步地，在本发明的一个实施例中，搭建模块包括：处理单元，用于将图卷积神经网络的训练数据为已知类别的电磁信号，输出目标为全连接层权值矩阵的列向量，每个列向量都与每个电磁信号已知类别一一对应；预测单元，用于通过弱监督学习训练图卷积神经网络使训练数据的网络输出接近输出目标，预测出新型电磁信号所属类别对应的权值向量。

进一步地，在本发明的一个实施例中，识别模块进一步用于将深层特征向量与更新的分类权值矩阵相乘，得到电磁信号属于每个电磁信号类别的概率向量，并基于最大后验概率分类准则确定所属类别。

需要说明的是，前述对基于图卷积网络与迁移学习的新型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基于图卷积网络与迁移学习的新型电磁信号识别装置，此处不再赘述。

根据本发明实施例的基于图卷积网络与迁移学习的新型电磁信号识别装置，通过图卷积神经网络，并获得新型电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵，然后根据更新的电磁信号分类权值矩阵和提取到的深层特征向量，完成对新型电磁信号的迁移学习，生成对新型电磁信号的感知识别结果，从而基于图卷积网络与迁移学习识别新型电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

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。

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。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。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)

1.一种基于图卷积网络与迁移学习的电磁信号识别方法，其特征在于，包括以下步骤：

提取电磁信号的时频空多维特征，并挖掘所述电磁信号的内隐知识，构建基于所述电磁信号内隐知识的图结构，其中，所述电磁信号的内隐知识包括：提取已知类别的电磁信号集合X₁和未知类别电磁信号集合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，构成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，其时频特征为对短时傅里叶变换得到的二维时频分布利用主成分分析法进行降维处理后得到的特征描述x∈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代表未知类别电磁信号和已知类别电磁信号的总数目；

或者，所述电磁信号的内隐知识包括：提取已知类别的电磁信号集合X₁和未知类别电磁信号集合X₂中所有电磁信号的内隐知识，构成信号的内隐知识集合，其时频特征为对小波变换得到的二维时频分布利用线性判别分析法进行降维处理后得到的特征描述x∈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代表未知类别电磁信号和已知类别电磁信号的总数目；

或者，所述电磁信号的内隐知识包括：提取已知类别的电磁信号集合X₁和未知类别电磁信号集合X₂中所有电磁信号的内隐知识，构成信号的内隐知识集合，其时频特征为对希尔伯特-黄变换得到的二维时频分布利用局部线性嵌入法进行降维处理后得到的特征描述x∈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代表未知类别电磁信号和已知类别电磁信号的总数目，电磁信号时频特征的提取方法包括但不限于短时傅里叶变换、小波变换和希尔伯特-黄变换；

将所述电磁信号的时频空多维特征作为第一输入信息，并将所述电磁信号的内隐知识的图结构作为第二输入信息，搭建图卷积神经网络，并获得电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵；

提取待识别的电磁信号的深层特征向量；以及

根据所述更新的电磁信号分类权值矩阵和所述深层特征向量，完成对电磁信号的迁移学习，生成对所述电磁信号的感知识别结果。

2.根据权利要求1所述的方法，其特征在于，所述图结构的不同节点表示不同的电磁信号，描述图结构的邻接矩阵的值由所述电磁信号的内隐知识决定，其中，任意两个电磁信号的内隐知识相似性与邻接矩阵对应元素的值成正比。

3.根据权利要求1所述的方法，其特征在于，所述提取待识别的电磁信号的深层特征向量，包括：

将所述图卷积神经网络和预设的电磁信号识别神经网络连接一个全连接层，以对电磁信号进行分类，且所述预设的电磁信号识别神经网络在全连接层之前提取出所述深层特征向量。

4.根据权利要求1或3所述的方法，其特征在于，所述获得电磁信号所属类别权值向量，包括：

所述图卷积神经网络的训练数据为已知类别的电磁信号，输出目标为全连接层权值矩阵的列向量，每个列向量都与每个电磁信号已知类别一一对应；

通过弱监督学习训练所述图卷积神经网络使训练数据的网络输出接近所述输出目标，预测出所述电磁信号所属类别对应的权值向量。

5.根据权利要求1所述的方法，其特征在于，所述生成对所述电磁信号的感知识别结果，包括：

将所述深层特征向量与所述更新的分类权值矩阵相乘，得到电磁信号属于每个电磁信号类别的概率向量，并基于最大后验概率分类准则确定所属类别。

6.一种基于图卷积网络与迁移学习的电磁信号识别装置，其特征在于，包括：

构建模块，用于提取电磁信号的时频空多维特征，并挖掘所述电磁信号的内隐知识，构建基于所述电磁信号内隐知识的图结构，其中，所述电磁信号的内隐知识包括：提取已知类别的电磁信号集合X₁和未知类别电磁信号集合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，构成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，其时频特征为对短时傅里叶变换得到的二维时频分布利用主成分分析法进行降维处理后得到的特征描述x∈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代表未知类别电磁信号和已知类别电磁信号的总数目；

或者，所述电磁信号的内隐知识包括：提取已知类别的电磁信号集合X₁和未知类别电磁信号集合X₂中所有电磁信号的内隐知识，构成信号的内隐知识集合，其时频特征为对小波变换得到的二维时频分布利用线性判别分析法进行降维处理后得到的特征描述x∈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代表未知类别电磁信号和已知类别电磁信号的总数目；

或者，所述电磁信号的内隐知识包括：提取已知类别的电磁信号集合X₁和未知类别电磁信号集合X₂中所有电磁信号的内隐知识，构成信号的内隐知识集合，其时频特征为对希尔伯特-黄变换得到的二维时频分布利用局部线性嵌入法进行降维处理后得到的特征描述x∈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代表未知类别电磁信号和已知类别电磁信号的总数目，电磁信号时频特征的提取方法包括但不限于短时傅里叶变换、小波变换和希尔伯特-黄变换；

获取模块，用于将所述电磁信号的时频空多维特征作为第一输入信息，并将所述电磁信号的内隐知识的图结构作为第二输入信息，搭建图卷积神经网络，并获得电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵；

提取模块，用于提取待识别的电磁信号的深层特征向量；以及

识别模块，用于根据所述更新的电磁信号分类权值矩阵和所述深层特征向量，完成对电磁信号的迁移学习，生成对所述电磁信号的感知识别结果。

7.根据权利要求6所述的装置，其特征在于，所述图结构的不同节点表示不同的电磁信号，描述图结构的邻接矩阵的值由所述电磁信号的内隐知识决定，其中，任意两个电磁信号的内隐知识相似性与邻接矩阵对应元素的值成正比。

8.根据权利要求6所述的装置，其特征在于，所述提取模块进一步用于将所述图卷积神经网络和预设的电磁信号识别神经网络连接一个全连接层，以对电磁信号进行分类，且所述预设的电磁信号识别神经网络在全连接层之前提取出所述深层特征向量。

9.根据权利要求6或8所述的装置，其特征在于，搭建模块包括：

处理单元，用于将所述图卷积神经网络的训练数据为已知类别的电磁信号，输出目标为全连接层权值矩阵的列向量，每个列向量都与每个电磁信号已知类别一一对应；

预测单元，用于通过弱监督学习训练所述图卷积神经网络使训练数据的网络输出接近所述输出目标，预测出所述电磁信号所属类别对应的权值向量。

10.根据权利要求6所述的装置，其特征在于，所述识别模块进一步用于将所述深层特征向量与所述更新的分类权值矩阵相乘，得到电磁信号属于每个电磁信号类别的概率向量，并基于最大后验概率分类准则确定所属类别。

Images