CN111967309B - 一种电磁信号智能协同识别方法及系统 - Google Patents
一种电磁信号智能协同识别方法及系统 Download PDFInfo
- Publication number
- CN111967309B CN111967309B CN202010632562.3A CN202010632562A CN111967309B CN 111967309 B CN111967309 B CN 111967309B CN 202010632562 A CN202010632562 A CN 202010632562A CN 111967309 B CN111967309 B CN 111967309B
- Authority
- CN
- China
- Prior art keywords
- network
- intelligent
- signal
- fusion
- electromagnetic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 74
- 230000006870 function Effects 0.000 claims abstract description 53
- 238000012512 characterization method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000010977 unit operation Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 235000018936 Vitellaria paradoxa Nutrition 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明属于电磁信号智能识别技术领域,公开了一种电磁信号智能协同识别方法及系统,对电磁信号进行智能表征,并作为后续深度学习网络的输入;在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合;将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练;实施基于分布式决策级融合的电磁信号识别。当广义信噪比在10dB以上时,本发明对AM、FM、BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信号的识别率均在90%以上,可见本发明具有良好的识别性能。
Description
技术领域
本发明属于电磁信号智能识别技术领域,尤其涉及一种电磁信号智能协同识别方法、系统、存储介质及应用。
背景技术
目前,电磁信号分类是电磁信号认知中的一项基础性和关键性技术,用于识别电磁信号的调制信息,在信号解调、可疑传输监控、异常检测、干扰定位等领域有着广泛的应用。在分布式网络中,由于不同的传播和传输环境的影响,即使发射机发出信号完全相同,在各个接收传感器上也会观察到不同的信号。传统的信号识别方法多以高斯噪声为噪声模型,而在实际环境中的噪声往往具有尖峰脉冲性质且噪声的概率密度函数有较厚的拖尾,这对传输的电磁信号造成极大干扰。由于传感器网络中信道容量的限制,使得原始观测集无法在主节点上完整地访问。因此在本地进行部分信号处理显得尤为重要。同时在复杂的电磁环境中,由于电磁信号的调制方式多种多样,参数变化频繁,受到干扰严重,很难进行有效的信号分类。随着人工智能技术的发展,相关算法在信号分类中得到了广泛的应用。人工智能产生的信号分类能够解决传统信号分类方法的问题,包括高依赖人工特性、低模型稳定性和高模型复杂性。T.O’Shea等人采用小波模糊神经网络方法解决了某些类型噪声引起的电磁信号识别难题,但该方法的缺点是收敛速度慢,容易陷入局部极值(T.O’Shea,T.Roy and T.Clancy,“Over-the-air deep learning based radio signalclassification,”IEEE J.Sel.Topics Signal Process.,vol.12,no.1,pp.168-179,Feb.2018.)。R.Cao等人使用电磁信号的双谱估计和稀疏自编码器来识别信号。然而,该方法不能保证模型的全局最优性(R.Cao,J.Cao,J.-P.Mei,C.Yin,and X.Huang,``Radaremitter identification with bispectrum and hierarchical extreme learningmachine,”Multimedia Tools Appl.,vol.77,pp.1_18,May 2018.)。G.Yang等人提出一种基于显式无数代价函数和全局优化方法,但当过采样率降低时将导致算法的性能下降(G.Yang,J.Wang,G.Zhang,Q.Shao and S.Li,"Joint Estimation of Timing andCarrier Phase Offsets for MSK Signals in Alpha-Stable Noise,"IEEECommunications Letters,vol.22,no.1,pp.89-92,Jan.2018.)。M.Mohanty等人使用过完备混合字典对加性混合高斯噪声和脉冲噪声进行稀疏信号分解(SSD)后,提出了一种调制类型分类方法,然而这种方法需要SSD对接收信号进行额外的预处理,从而增加了分类器的计算复杂性(M.Mohanty,U.Satija and B.Ramkumar,"Sparse decomposition frameworkfor maximum likelihood classification under alpha-stable noise,"2015IEEEInternational Conference on Electronics,Computing and CommunicationTechnologies(CONECCT),Bangalore,2015,pp.1-6.)。但以上分类效果要么因为考虑性能而选择了可能导致收敛速度慢、不能保证模型的全局最优性的算法,要么因为要对信号进行大量预处理增加复杂度,要么因为对信号质量要求较高,当环境发生改变时不能保证良好的鲁棒性,均不能达到理想效果。
要解决以上问题,首先要设计合适的网络结构,选择最佳的梯度下降算法,防止收敛过慢或陷入局部极限值;其次要考虑到实际应用中的各种情况,增加系统的适应范围;合适的智能表征也必不可少,既不能进行过于复杂的预处理,也应该包含足够的信息,拥有较高的抗干扰能力以提高系统分类性能。无线信号分类是分布式无线传感器中的一项基础性和关键性技术,在信号解调、可疑传输监控、异常检测、干扰定位等领域有着广泛的应用。能在不增加甚至降低算法复杂度的情况下提高分类效果对于进一步推动工业物联网的发展有着重大意义。
发明内容
针对现有技术存在的问题,本发明提供了一种电磁信号智能协同识别方法及系统。
本发明是这样实现的,一种电磁信号智能协同识别方法,所述电磁信号智能协同识别方法包括:
对电磁信号进行广义包络平方谱和分数低阶循环谱智能表征,并作为后续深度学习网络的输入,合适的智能表征既不用进行过于复杂的预处理又保证了信号的信息能够充分传达给网络,并且对于噪声等具有良好的抗干扰性;
在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合,特征融合将输入数据智能表征的深层信息与浅层信息不同程度融合,扩展特征信息量,使得浅层特征也能够包含部分深层特征信息从而提高识别的精度。;
将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练,在保证良好的收敛性的同时极大地节省了分布式传感器的资源占用;
实施基于分布式决策级融合的电磁信号识别,充分融合各个传感器的识别结果,降低因意外而错判的传感器对于总分类结果的影响,进一步提高了系统鲁棒性。
进一步,所述对电磁信号进行智能表征,并作为后续深度学习网络的输入包括:
接收到的WSN无线信号s(t)表示为:
s(k)=x(k)+e(k);
其中,e(k)为工业中的人为噪声,用α稳定噪声描述该噪声,概率密度函数没有闭合形式,e(t)用特征函数表示为:
其中,
式中各参数为:
·0<α≤2为特征指数,它决定了稳定分布的形状。当α=2时,该分布对应于方差为2γ的高斯分布的特征函数。
·γ≥0为色散参数,类似于高斯噪声的方差,它决定了分布在中心的扩散。
·-1≤β≤1是偏度指数,控制分布的对称性。
·δ是位置参数,表示x轴α稳定分布率密度函数的中心,值区间是实数域。
(1)计算AM、FM信号的广义包络平方谱,首先对接收到的电磁信号进行预处理,则:
其中x=rcosθ为要处理的信号,处理后的信号包络平方为:
u(t)=f(x)2+H[f(x)]2;
其中,f(x)为预处理后信号,利用谱估计的直接法来估计电磁信号的功率谱,得信号的包络平方谱P(ω)为:
其中,UN(ω)为u(t)的傅里叶变换;
(2)计算BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信号的分数低阶循环谱:
对于α稳定分布噪声下的信号x(t),其p阶共变定义表示为:
其中,τ为时间延迟;p为阶因子,其取值范围为[1,α),α为背景噪声特征指数,取值范围为[1,2],展开成傅里叶级数,傅里叶级数系数就是信号的分数低阶循环自相关函数,其表示式为:
其中,ε为p阶循环频率,对进行傅里叶变换得到信号x(t)的分数低阶循环谱密度函数为:
进一步,所述在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合包括:采用的基础网络为DenseNet,是DenseBlock和TransitionLayer交替连接的网络,将最后一个DenseBlock的输出与前一个进行融合,之后将输出再与更前一个DenseBlock的输出融合,最后将各个特征融合层的输出结果融合并连接全局池化及softmax来作为网络输出。
进一步,所述特征融合层由输入层1,输入层2,反卷积层,单元操作层及输出层组成;
输入层2接收到更深一层的特征后进行反卷积操作,达到与输入层1输入特征相同的大小,通过单元操作层使大小相等的智能表征信息进行融合,对两层对应元素进行点乘、加减、取最大、拼接操作;
采用拼接操作,即按智能表征信息的第四个维度将智能表征信息拼接,拼接后的智能表征信息保持原图的大小,通道数为输入通道数之和;由输出层输出融合结果。将智能表征输入该网络后进行特征级融合。
进一步,所述将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练包括:在分布式传感器网络上,未知发送数据序列由发射机发出,经并行信道后到达网络中的传感器,每个传感器节点都已经设置好的网络结构,并对智能表征进行特征级融合;
将各个节点的损失函数统一发送至聚合器,按某种规则聚合后将结果返回各个节点,之后各个节点使用全局损失函数进行梯度优化,达到全局聚合;不断重复直到全局损失函数达到一个理想的状态。
进一步,所述实施基于分布式决策级融合的电磁信号识别包括:用θ1,θ2,...,θ12分别表示12种电磁信号类别,用mi(θj)表示第i个传感器的分类结果中,该信号为θj的概率,则第i个传感器分类结果产生的独立的证据基本概率分配的集合向量为Mi={mi(θ1),mi(θ2),...mi(θ12)},Mj同理;则两个传感器的证据距离disJ(Mi,Mj)为:
其中,Mi为第i个传感器分类结果产生的独立的证据基本概率分配的集合向量;共有N个传感器,上式中i,j=1,2,…,N,Mi,Mj分别为传感器节点i和传感器节点j的证据基本概率分配的集合向量,D是N*N矩阵,称为杰卡德系数,其数学形式为:
其中,dij=|A∩B|/|A∪B|,A,B∈Θ,|.|用来计算集合中包含的元素个数;
则由此计算出证据间的信任度:
χij=1-disJ(Mi,Mj);
则传感器节点i证据对于其他节点证据的可信度为:
对可信度逐个归一化,得到其各自的权重为:
最后,使用权重融合证据得到每个类别的概率m(θi)为:
则M={m(θ1),m(θ2),...m(θ12)}为最终的识别结果。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
对电磁信号进行智能表征,并作为后续深度学习网络的输入;
在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合;
将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练;
实施基于分布式决策级融合的电磁信号识别。
本发明的另一目的在于提供一种实施所述电磁信号智能协同识别方法的电磁信号智能协同识别系统,所述电磁信号智能协同识别系统包括:
电磁信号智能表征模块,用于对电磁信号进行智能表征,并作为后续深度学习网络的输入;
特征级融合模块,用于在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合;
网络训练模块,用于将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练;
电磁信号识别模块,用于实施基于分布式决策级融合的电磁信号识别。
本发明的另一目的在于提供一种信号解调终端,所述信号解调终端安装有所述的电磁信号智能协同识别系统。
本发明的另一目的在于提供一种干扰定位终端,所述干扰定位终端安装有所述的电磁信号智能协同识别系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提出一种基于分布式传感器网络的电磁信号智能协同识别方法及系统,当广义信噪比在10dB以上时,AM、FM、BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信号的识别率在90%以上,可见本发明具有良好的识别性能。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电磁信号智能协同识别方法流程图。
图2是本发明实施例提供的电磁信号智能协同识别系统的结构示意图;
图2中:1、电磁信号智能表征模块;2、特征级融合模块;3、网络训练模块;4、电磁信号识别模块。
图3是本发明实施例提供的电磁信号智能协同识别方法的性能示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种电磁信号智能协同识别方法及系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的电磁信号智能协同识别方法包括以下步骤:
S101:对电磁信号进行智能表征,并作为后续深度学习网络的输入;
S102:在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合;
S103:将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练;
S104:实施基于分布式决策级融合的电磁信号识别。
本发明提供的电磁信号智能协同识别方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的电磁信号智能协同识别方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的电磁信号智能协同识别系统包括:
电磁信号智能表征模块1,用于对电磁信号进行智能表征,并作为后续深度学习网络的输入;
特征级融合模块2,用于在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合;
网络训练模块3,用于将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练;
电磁信号识别模块4,用于实施基于分布式决策级融合的电磁信号识别。
下面结合附图对本发明的技术方案作进一步的描述。
本发明提供的电磁信号智能协同识别方法包括以下步骤:
步骤一,对电磁信号进行智能表征,并作为后续深度学习网络的输入;
对电磁信号进行智能表征,并作为后续深度学习网络的输入按以下进行:
接收到的WSN无线信号s(k)可以表示为:
s(k)=x(k)+e(k);
其中,e(k)为工业中的人为噪声,用α稳定噪声描述该噪声,其概率密度函数没有闭合形式,因此e(t)用特征函数表示为:
其中,
式中各参数为:
·0<α≤2为特征指数,它决定了稳定分布的形状。当α=2时,该分布对应于方差为2γ的高斯分布的特征函数。
·γ≥0为色散参数,类似于高斯噪声的方差,它决定了分布在中心的扩散。
·-1≤β≤1是偏度指数,控制分布的对称性。
·δ是位置参数,表示x轴α稳定分布率密度函数的中心,值区间是实数域。
(1)广义包络平方谱:由于脉冲噪声不存在二阶及二阶以上的统计量,所以被脉冲噪声污染的信号也就不会存在有效的包络平方谱,分析原因主要是因为脉冲噪声中存在着很大的冲激脉冲,致使受污染后的信号存在着较大的幅度,因此需要对信号进行预处理:
其中,x为要处理的信号,H(·)表示希尔伯特变换。任何一点的信号都可以写成x=rcosθ,则可以得到:
其中,的取值范围为[-1,1]。所以上述函数可以将所处理信号的幅值映射在一个[-1,1]的范围内,并且不改变信号的相位信息,从而也不会改变信号的周期平稳特性。因为此函数消除了脉冲噪声的大幅脉冲,所以受噪声污染的信号具有有效的包络平方谱。处理后的信号包络平方为:
u(t)=f(x)2+H[f(x)]2;
利用经典谱估计的直接法来估计信号的功率谱,将u(t)的N点观察数据做傅里叶变换得UN(ejω),然后再取其幅值的平方并除以N作为对u(t)真实功率谱P(ω)的估计。以P(ω)表示表示u(t)的功率谱为:
(2)分数低阶循环谱:分数低阶矩是一种分析处理非高斯信号的有力工具,若随机信号的特征指数为α,则只有阶数小于α的统计矩是有限的.对于α稳定分布噪声下的信号x(t),分数低阶矩定义式为:
E[|X|P]=C(p,α)γp/α;
其中,p为分数阶因子,其取值范围为0<p<α≤2,C(p,α)为与p和α有关的常数;基于分数低阶矩的信号循环谱有两种计算方法:一种是基于共变的方法,另一种是基于分数低阶协方差的方法.这里对基于共变的分数低阶循环谱进行研究。在分数低阶矩基础上,x(t)的p阶共变定义可表示为:
其中,τ为时间延迟;p为阶因子,其取值范围为[1,α),α为背景噪声特征指数,取值范围为[1,2]。若COVx,p(t,τ)是关于t的周期函数,将其展开成傅里叶级数,傅里叶级数系数就是信号的分数低阶循环自相关函数,其表示式为:
其中,ε为p阶循环频率.对进行傅里叶变换即可得到信号x(t)的分数低阶循环谱密度函数为:
其中,f为常规频率。显然,当阶因子p=2时,分数低阶循环谱密度函数即为二阶循环谱密度函数。
步骤二,在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合;
在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合按以下进行;
以DenseNet为基础,在原网络的基础上增加了特征融合层。征融合层主要用于将输入数据智能表征的深层信息与浅层信息不同程度融合,从而扩展特征信息量,使得浅层特征也能够包含部分深层特征信息从而提高识别的精度。
特征融合层由输入层1,输入层2,反卷积层,单元操作层及输出层组成,其中输入层2接收到更深一层的特征后进行反卷积操作,以此达到与输入层1输入特征相同的大小,之后通过单元操作层并输出。
该网络中共有4个特征融合结构,主要分为三种:①对于从左至右第三个特征融合结构,输入层1与输入层2是最后的两个卷积层,其中输入层2是整个网络中更深的卷积层,通常特征维度更小,因此与反卷积层连接增加特征的维度大小,再通过单元操作层将两层的特征信息融合。②对于前两个特征融合结构,输入层1是浅一层的用于分类预测的卷积层,输入层2是上一个特征融合结构的输出层,同样经过反卷积层,再通过单元操作层将两层相连,这样浅层智能表征信息在预测时,一定程度上也融合了多个深层智能表征信息的信息。③对于最后一个特征融合结构是将之前的融合特征组合起来,为了能够顺利进行单元操作,同样需要进行卷积或反卷积来保证特征的大小。单元操作层目的是使大小相等的智能表征信息进行融合,可以对两层对应元素进行点乘、加减、取最大、拼接等操作,本发明采用拼接操作,即按智能表征信息的第四个维度将智能表征信息拼接,拼接后的智能表征信息保持原图的大小,但通道数为输入通道数之和。同时为了数据过多可以使用1*1卷积核进行卷积来减少特征通道数。这种结构在原网络的基础上增加了特征融合层。征融合层主要用于将输入数据智能表征的深层信息与浅层信息不同程度融合,从而扩展特征信息量,使得浅层特征也能够包含部分深层特征信息从而提高识别的精度。这时将步骤一所得智能表征按双通道输入网络训练即可实现特征级融合。
步骤三,将该网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练;
将该网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练按以下进行:
在分布式传感器网络上,未知发送数据序列由发射机广播,并在经历独立信道噪声的并行信道上发送。假设每个传感器具有相同数量的观测值,网络中的所有传感器同时采集和非合作处理有噪声的数据序列。由于不同的传播和传输环境的影响,即使发射机发出信号完全相同,在接收传感器上也会观察到不同的信号。如果能将完整的传感器观测数据无损地传输到主节点,即决策者,就可以实现假设检验的全局优化。但由于传感器网络中信道容量的限制,使得原始观测集无法在主节点上完整地访问。为了减少对信道带宽的要求,本发明需要本地传感器具有相关的处理器,使信号处理能够在本地完成,即联邦学习。
联邦学习网络架构不同于一般网络,完成步骤二后每个传感器上的网络都得到了一个损失函数,此时暂停训练。这里记第i个传感器上网络训练得到的损失函数为lossi,batch大小为bi,则将所有传感器的损失函数和batch大小发送至聚合器进行聚合。聚合器接收到N个传感器的数据后,按加权平均求得聚合后的损失函数为:
并将这个结果返回至各个传感器。各传感器收到聚合器的返回后使用全局损失函数继续训练本地网络,不断重复知道损失函数趋于稳定或准确率达到理想值。
步骤四,实施基于分布式决策级融合的电磁信号识别;
实施基于分布式决策级融合的电磁信号识别按以下进行:
本发明方法涉及12种电磁信号的分类,因此取Θ={θ1,θ2,...,θ12}为辨识框架,其中θ1,θ2,...,θ12分别表示12种信号类别。用mi(θj)表示第i个传感器的分类结果中,该信号为θj的概率。则第i个传感器分类结果产生的独立的证据基本概率分配的集合向量为Mi={mi(θ1),mi(θ2),...mi(θ12)},Mj同理。证据论使用证据冲突程度来融合证据,冲突程度常用的表示方法有冲突系数、证据距离、余弦相似度等,本发明选用证据距离。证据距离disJ(Mi,Mj)通常被用来描述传感器测量的两个证据整体之间的差异程度,即:
设共有N个传感器,上式中i,j=1,2,…,N,Mi,Mj分别为传感器节点i和传感器节点j的证据基本概率分配的集合向量,D是N*N矩阵,称为杰卡德系数,其数学形式为:
其中,dij=|A∩B|/|A∪B|,A,B∈Θ,|.|用来计算集合的基数,即集合中包含的元素个数。证据距离disJ(Mi,Mj)同时也满足下列三个条件:
①非负性:disJ(Mi,Mj)>0;
②非简并性:
③对称性:disJ(Mi,Mj)=disJ(Mj,Mi)。
则由此可以计算出证据间的信任度:
χij=1-disJ(Mi,Mj);
则它们组成的信度矩阵为:
由以上矩阵可以计算出传感器节点i证据对于其他节点证据的可信度为:
然后对可信度逐个归一化,可得到其各自的权重为:
最后,使用上述权重融合证据得到每个类别的概率m(θi)为:
则M={m(θ1),m(θ2),...m(θ12)}为最终的分类结果。
基于联邦学习的电磁信号协同识别的方法可概括为:
首先对接收到的信号进行智能表征,得到双通道特征矩阵;
其次将特征矩阵投入训练好的特征融合网络进行本地识别,分类器为SoftMax,得到基本概率分配的集合向量为Mi={mi(θ1),mi(θ2),...mi(θ9)},并发送至主节点;
然后主节点收到各节点传来的基本概率分配的集合向量后使用D-S证据论求得各个节点向量的权重;
最后按权融合,得到最终分类结果。
下面结合附图对本发明的技术效果作详细的描述。
本发明的基于分布式传感器网络的电磁信号智能协同识别方法,当广义信噪比在10dB以上时,本发明对AM、FM、BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信号的识别率在90%以上,可见本发明具有良好的识别性能,如图3所示。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种电磁信号智能协同识别方法及系统,其特征在于,所述电磁信号智能协同识别方法包括:
对电磁信号进行智能表征,并作为后续深度学习网络的输入;
在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合;
将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练;
实施基于分布式决策级融合的电磁信号识别;
所述对电磁信号进行智能表征,并作为后续深度学习网络的输入包括:
接收到的WSN无线信号s(t)表示为:
s(k)=x(k)+e(k);
其中,e(k)为人为噪声,用α稳定噪声描述该噪声,概率密度函数没有闭合形式,e(t)用特征函数表示为:
其中,
式中各参数为:
·0<α≤2为特征指数,它决定了稳定分布的形状;当α=2时,该分布对应于方差为2γ的高斯分布的特征函数;
·γ≥0为色散参数,类似于高斯噪声的方差,它决定了分布在中心的扩散;
·-1≤β≤1是偏度指数,控制分布的对称性;
·δ是位置参数,表示x轴α稳定分布率密度函数的中心,值区间是实数域;
(1)计算AM、FM信号的广义包络平方谱,首先对接收到的电磁信号进行预处理,则:
其中x=rcosθ为要处理的信号,处理后的信号包络平方为:
u(t)=f(x)2+H[f(x)]2;
其中,f(x)为预处理后信号,利用谱估计的直接法来估计电磁信号的功率谱,得信号的包络平方谱P(ω)为:
其中,UN(ω)为u(t)的傅里叶变换;
(2)计算BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信号的分数低阶循环谱:
对于α稳定分布噪声下的信号x(t),其p阶共变定义表示为:
其中,τ为时间延迟;p为阶因子,其取值范围为[1,α),α为背景噪声特征指数,取值范围为[1,2],展开成傅里叶级数,傅里叶级数系数就是信号的分数低阶循环自相关函数,其表示式为:
其中,ε为p阶循环频率,对进行傅里叶变换得到信号x(t)的分数低阶循环谱密度函数为:
2.如权利要求1所述的电磁信号智能协同识别方法,其特征在于,所述在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合包括:采用的基础网络为DenseNet,是DenseBlock和TransitionLayer交替连接的网络,将最后一个DenseBlock的输出与前一个进行融合,之后将输出再与更前一个DenseBlock的输出融合,最后将各个特征融合层的输出结果融合并连接全局池化及softmax来作为网络输出。
3.如权利要求2所述的电磁信号智能协同识别方法,其特征在于,所述特征融合层由输入层1,输入层2,反卷积层,单元操作层及输出层组成;
输入层2接收到更深一层的特征后进行反卷积操作,达到与输入层1输入特征相同的大小,通过单元操作层使大小相等的智能表征信息进行融合,对两层对应元素进行点乘、加减、取最大、拼接操作;
采用拼接操作,即按智能表征信息的第四个维度将智能表征信息拼接,拼接后的智能表征信息保持原图的大小,通道数为输入通道数之和;由输出层输出融合结果,将智能表征输入该网络后进行特征级融合。
4.如权利要求1所述的电磁信号智能协同识别方法,其特征在于,所述将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练包括:在分布式传感器网络上,未知发送数据序列由发射机发出,经并行信道后到达网络中的传感器,每个传感器节点都已经设置好的网络结构,并对智能表征进行特征级融合;
将各个节点的损失函数统一发送至聚合器,按某种规则聚合后将结果返回各个节点,之后各个节点使用全局损失函数进行梯度优化,达到全局聚合;不断重复直到全局损失函数达到一个理想的状态。
5.如权利要求1所述的电磁信号智能协同识别方法,其特征在于,所述实施基于分布式决策级融合的电磁信号识别包括:用θ1,θ2,...,θ12分别表示12种电磁信号类别,用mi(θj)表示第i个传感器的分类结果中,该信号为θj的概率,则第i个传感器分类结果产生的独立的证据基本概率分配的集合向量为Mi={mi(θ1),mi(θ2),...mi(θ12)},Mj同理;则两个传感器的证据距离disJ(Mi,Mj)为:
其中,Mi为第i个传感器分类结果产生的独立的证据基本概率分配的集合向量;共有N个传感器,上式中i,j=1,2,…,N,Mi,Mj分别为传感器节点i和传感器节点j的证据基本概率分配的集合向量,D是N*N矩阵,称为杰卡德系数,其数学形式为:
其中,dij=|A∩B|/|A∪B|,A,B∈Θ,|.|用来计算集合中包含的元素个数;
则由此计算出证据间的信任度:
χij=1-disJ(Mi,Mj);
则传感器节点i证据对于其他节点证据的可信度为:
对可信度逐个归一化,得到其各自的权重为:
最后,使用权重融合证据得到每个类别的概率m(θi)为:
则M={m(θ1),m(θ2),...m(θ12)}为最终的识别结果。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~5任意一项所述电磁信号智能协同识别方法。
7.一种实施权利要求1~5任意一项所述电磁信号智能协同识别方法的电磁信号智能协同识别系统,其特征在于,所述电磁信号智能协同识别系统包括:
电磁信号智能表征模块,用于对电磁信号进行智能表征,并作为后续深度学习网络的输入;
特征级融合模块,用于在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合;
网络训练模块,用于将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练;
电磁信号识别模块,用于实施基于分布式决策级融合的电磁信号识别。
8.一种信号解调终端,其特征在于,所述信号解调终端安装有权利要求7所述的电磁信号智能协同识别系统。
9.一种干扰定位终端,其特征在于,所述干扰定位终端安装有权利要求7所述的电磁信号智能协同识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010632562.3A CN111967309B (zh) | 2020-07-03 | 2020-07-03 | 一种电磁信号智能协同识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010632562.3A CN111967309B (zh) | 2020-07-03 | 2020-07-03 | 一种电磁信号智能协同识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967309A CN111967309A (zh) | 2020-11-20 |
CN111967309B true CN111967309B (zh) | 2024-02-06 |
Family
ID=73361275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010632562.3A Active CN111967309B (zh) | 2020-07-03 | 2020-07-03 | 一种电磁信号智能协同识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967309B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633147A (zh) * | 2020-12-22 | 2021-04-09 | 电子科技大学 | 一种基于多特征融合与智能迭代优化算法的磁异常检测方法 |
CN113435247B (zh) * | 2021-05-18 | 2023-06-23 | 西安电子科技大学 | 一种通信干扰智能识别方法、系统及终端 |
CN114387580A (zh) * | 2022-01-06 | 2022-04-22 | 厦门大学 | 基于联邦学习的模型训练方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726653A (zh) * | 2018-12-19 | 2019-05-07 | 西安电子科技大学 | 基于RNN-DenseNet网络的雷达信号识别方法 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
US10396919B1 (en) * | 2017-05-12 | 2019-08-27 | Virginia Tech Intellectual Properties, Inc. | Processing of communications signals using machine learning |
WO2020015277A1 (zh) * | 2018-07-20 | 2020-01-23 | 国电南瑞科技股份有限公司 | 一种基于全景信息的弧光故障识别装置及方法 |
CN111050315A (zh) * | 2019-11-27 | 2020-04-21 | 北京邮电大学 | 一种基于多核双路网络的无线发射机识别方法 |
CN111190487A (zh) * | 2019-12-30 | 2020-05-22 | 中国科学院计算技术研究所 | 一种建立数据分析模型的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3616198A4 (en) * | 2017-04-24 | 2021-01-06 | Virginia Tech Intellectual Properties, Inc. | RADIO SIGNAL IDENTIFICATION, IDENTIFICATION SYSTEM LEARNING AND IDENTIFIER USE |
-
2020
- 2020-07-03 CN CN202010632562.3A patent/CN111967309B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10396919B1 (en) * | 2017-05-12 | 2019-08-27 | Virginia Tech Intellectual Properties, Inc. | Processing of communications signals using machine learning |
WO2020015277A1 (zh) * | 2018-07-20 | 2020-01-23 | 国电南瑞科技股份有限公司 | 一种基于全景信息的弧光故障识别装置及方法 |
CN109726653A (zh) * | 2018-12-19 | 2019-05-07 | 西安电子科技大学 | 基于RNN-DenseNet网络的雷达信号识别方法 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
CN111050315A (zh) * | 2019-11-27 | 2020-04-21 | 北京邮电大学 | 一种基于多核双路网络的无线发射机识别方法 |
CN111190487A (zh) * | 2019-12-30 | 2020-05-22 | 中国科学院计算技术研究所 | 一种建立数据分析模型的方法 |
Non-Patent Citations (3)
Title |
---|
基于卷积神经网络的雷达和通信信号调制识别;黎仁刚;侯坤元;冷鹏飞;姚群;;航天电子对抗(第02期);全文 * |
新型雷达辐射源识别;高欣宇;张文博;姬红兵;欧阳成;;中国图象图形学报(第06期);全文 * |
面向智能通信的深度强化学习方法;谭俊杰;梁应敞;;电子科技大学学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111967309A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967309B (zh) | 一种电磁信号智能协同识别方法及系统 | |
Zhang et al. | Automatic modulation classification using CNN-LSTM based dual-stream structure | |
Tatarenko et al. | Non-convex distributed optimization | |
Leung et al. | Prediction of noisy chaotic time series using an optimal radial basis function neural network | |
He et al. | Learning-based signal detection for MIMO systems with unknown noise statistics | |
Koliander et al. | Fusion of probability density functions | |
Wu et al. | Compressive sampling and reconstruction of acoustic signal in underwater wireless sensor networks | |
Abdel‐Moneim et al. | A survey of traditional and advanced automatic modulation classification techniques, challenges, and some novel trends | |
Penna et al. | Decentralized eigenvalue algorithms for distributed signal detection in wireless networks | |
CN103424735A (zh) | 基于最小描述长度的近场源定位方法、装置及系统 | |
Luo et al. | Optimal compressive spectrum sensing based on sparsity order estimation in wideband cognitive radios | |
Wu et al. | DSLN: Securing Internet of Things through RF fingerprint recognition in low-SNR settings | |
Su et al. | Deep non-cooperative spectrum sensing over Rayleigh fading channel | |
Talarico et al. | Distributed estimation of a parametric field: Algorithms and performance analysis | |
Zhang et al. | A deep learning based algorithm with multi-level feature extraction for automatic modulation recognition | |
Wang et al. | Model refinement learning and an example on channel estimation with universal noise model | |
Li | A novel recognition algorithm based on holder coefficient theory and interval gray relation classifier | |
Li et al. | Intelligent blind source separation technology based on OTFS modulation for LEO satellite communication | |
Peter et al. | Learned-SBL: A deep learning architecture for sparse signal recovery | |
Li et al. | Multidimensional spectral super-resolution with prior knowledge with application to high mobility channel estimation | |
Saoudi et al. | A fast soft bit error rate estimation method | |
CN113514796B (zh) | 一种无源定位方法、系统和介质 | |
Guobing et al. | Confidence evaluation for blind analysis of LFM/BPSK hybrid signals based on extreme value theory | |
Yang | Existence and stability of periodic solutions of BAM high-order Hopfield neural networks with impulses and delays on time scales | |
Zhao et al. | A study of individual identification of radiation source based on feature extraction and deep learning |
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 |