CN112183659A - 一种基于卷积神经网络的未知信号辐射源识别方法 - Google Patents

Abstract

本发明涉及信号辐射源识别技术领域，公开了一种基于卷积神经网络的未知信号辐射源识别方法。该方法包括利用已知源数据训练卷积神经网络模型，提取已知源在神经网络末端层的高维度向量，对高维度向量进行PCA降维得到低维度向量，计算已知源的低维度向量中心，提取待测源在神经网络末端层的高维度向量，对高维度向量进行PCA降维得到低维度向量，计算待测源的低维度向量与已知源的低维度向量中心之间的欧式距离，根据欧式距离对待测信号辐射源进行判决。本发明解决了现有信号辐射源识别过程中因卷积神经网络硬判决而无法识别未知源的问题，具有简单易行、识别高效的特点。

Description

一种基于卷积神经网络的未知信号辐射源识别方法

技术领域

本发明涉及信号辐射源识别技术领域，具体涉及一种基于卷积神经网络的未知信号辐射源识别方法。

背景技术

现有的比较成熟的识别未知源的方法大致分为以下几种：一种是基于传统特征提取的方法，利用传统特征提取将未知源与已知源集群分开从而实现未知的判决，方法诸如：Hilbert-Huang变换、高阶谱等等。一种是基于人工智能的方法，较为常见的比如MetricLearning(度量学习)的方法，学习一个embedding函数，将输入空间(例如图片)映射到一个新的嵌入空间，在嵌入空间中有一个相似性度量来区分不同类，通过利用向量之间的相似性，避免了普通神经网络硬判决的问题。如：《Learning to Compare:Relation Networkfor Few-Shot Learning》(C)等。

现有的有关Metric Learning的方法最初场景是面向Few-shot Learning(小样本学习)的，即在面对某一类源的数据量非常低的问题时，考虑将样本的特征信息最终映射为一个向量，通过向量的相似性进行判决属于哪个源。这个核心的思想也可以应用于未知源的判决中，通过卷积神经网络对样本特征映射成向量，利用向量间相似性和距离可实现未知源的判决。但是普通卷积神经网络由于其特有的硬性判决特性，在对辐射源的未知源识别中表现比较逊色。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于卷积神经网络的未知信号辐射源识别方法，旨在解决现有技术在信号辐射源识别的过程中因卷积神经网络硬判决而无法识别未知源的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于卷积神经网络的未知信号辐射源识别方法，包括以下步骤：

S1、利用已知信号辐射源数据训练卷积神经网络模型；

S2、将已知信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量；

S3、对步骤S2提取的高维度向量进行PCA降维得到对应的低维度向量；

S4、计算步骤S3得到的已知信号辐射源对应低维度向量中心；

S5、将待测信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量；

S6、对步骤S5提取的高维度向量进行PCA降维得到对应的低维度向量；

S7、计算步骤S6得到的待测信号辐射源对应低维度向量与步骤S4得到的已知信号辐射源对应低维度向量中心之间的欧式距离；

S8、根据步骤S7计算的欧式距离对待测信号辐射源进行判决。

优选地，所述提取神经网络末端层的高维度向量具体为：

提取神经网络最后一层全连接层的高维度向量，所述高维度向量中的第i行表示第i个信号样本经过神经网络后在全连接层处的高维向量，第j列表示待降维的第j个特征。

优选地，所述步骤S3具体包括以下分步骤：

S31、对步骤S2提取的高维度向量进行去中心化处理；

S32、计算高维度向量中每一列元素的协方差矩阵；

S33、计算每个元素的协方差矩阵的特征值和特征向量；

S34、将特征值按大小进行排序，选取其中较大的k个特征向量组成特征向量矩阵；

S35、根据特征向量矩阵和步骤S5提取的高维度向量计算得到已知信号辐射源对应的低维度向量。

优选地，所述步骤S4具体为：

S41、从步骤S3得到的已知信号辐射源对应低维度向量中提取每个已知信号辐射源对应的低维矩阵；

S42、分别计算低维矩阵中每行元素的平均值，得到已知信号辐射源对应的低维度向量中心。

优选地，所述步骤S6具体为：

根据步骤S34得到的特征向量矩阵和步骤S5提取的高维度向量计算得到待测信号辐射源对应的低维度向量。

优选地，所述步骤S7具体为：

分别计算步骤S6得到的待测信号辐射源对应低维度向量与步骤S4得到的每个已知信号辐射源对应低维度向量中心之间的欧式距离。

优选地，所述步骤S8具体为：

根据步骤S7计算的待测信号辐射源对应低维度向量与每个已知信号辐射源对应低维度向量中心之间的欧式距离，判断所有欧式距离是否大于设定的距离门限值；若是，则判决该待测信号辐射源为未知信号辐射源；否则判决待测信号辐射源为已知信号辐射源。

本发明具有以下有益效果：

本发明通过提取普通卷积神经网络的末端层高维度特征进行PCA降维得到低维度特征，随后通过聚类获取各个已知源低维特征中心，最终通过门限判决的方式判决未知源，解决了现有信号辐射源识别过程中因卷积神经网络硬判决而无法识别未知源的问题，具有简单易行、识别高效的特点，无需针对信号某一特征进行特征提取，也无需使用度量学习的方法将所有的样本映射成复杂的多维特征。

附图说明

图1为本发明的基于卷积神经网络的未知信号辐射源识别方法流程示意图；

图2为本发明实施例中普通卷积神经网络结构示意图；

图3为本发明实施例中已知源和未知源的低维向量空间分布图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，本发明实施例提供了一种基于卷积神经网络的未知信号辐射源识别方法，包括以下步骤S1至S8：

S1、利用已知信号辐射源数据训练卷积神经网络模型；

在本实施例中，本发明利用已知信号辐射源数据训练卷积神经网络模型，从而实现准确地对各个已知信号辐射源实现分类，即利用卷积神经网络实现对已知信号辐射源集合内各个信号辐射源的识别。

上述步骤S1具体包括以下分步骤：

S11、对已知信号辐射源数据进行样本划分并输入至卷积神经网络模型；

S12、对卷积神经网络模型进行训练，

S13、判断是否准确率是否达到要求、或模型是否饱和；若是，则保存卷积神经网络模型；否则返回步骤S12继续训练。

S2、将已知信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量；

在本实施例中，本发明将已知信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量，这里的神经网络末端层具体为卷积神经网络模型中最后一层全连接层。高维度向量中的第i行表示第i个信号样本经过神经网络后在全连接层处的高维向量，第j列表示待降维的第j个特征。

如图2所示，普通卷积神经网络模型包括卷积层1、池化层1、卷积层2、池化层2、多个全连接层、及输出层，本发明选取最后一层全连接层，提取得到维度为512的高维度向量。以500个信号样本为例，本发明在最后一层全连接层提取得到500*512维矩阵，500表示500个样本，512为末端全连接层的维度，矩阵中每一行代表一个信号样本的高维向量，每一列代表一个待降维特征。

本发明将信号辐射源数据经过成型的卷积神经网络后，利用全连接层所得的高维向量作为用于判决的新特征。

S3、对步骤S2提取的高维度向量进行PCA降维得到对应的低维度向量；

在本实施例中，本发明对已知信号辐射源的高维度向量进行PCA降维，从而获取已知信号辐射源的低维度向量，具体包括以下分步骤：

S31、对步骤S2提取的高维度向量进行去中心化处理；

S32、计算高维度向量中每一列元素的协方差矩阵；

S33、计算每个元素的协方差矩阵的特征值和特征向量；

S34、将特征值按大小进行排序，选取其中较大的k个特征向量组成特征向量矩阵；

S35、根据特征向量矩阵和步骤S5提取的高维度向量计算得到已知信号辐射源对应的低维度向量。

以500个信号样本为例，每个信号样本为10000长度的时域采样信号，其中第1-100个为一号源的信号样本，第101-200个为二号源的信号样本，3号源对应201-300，4号源对应301-400，5号源对应401-500，将500个信号样本输入进已经训练好的神经网络后，在网络的全连接层处会获得500*512维矩阵；再对获取到的500*512维矩阵进行PCA降维，先去除中心化，每一列减去各自的平均值；再计算高维度向量中每一列元素的协方差矩阵，X表示提取得到的500*512维矩阵，n表示待降维维数512；再计算每个元素的协方差矩阵的特征值和特征向量，并对特征值从大到小排序，选择其中最大的k个特征值对应的特征向量分别作为行向量组成特征向量矩阵P，将数据转换到k个特征向量构建的新空间中，计算Y＝PX，并保存P矩阵(P矩阵维度为512*k)。

本发明通过对高维向量进行PCA降维，丢掉高维向量特征中的冗余信息和不重要的信息，计算更加高效。

S4、计算步骤S3得到的已知信号辐射源对应低维度向量中心；

在本实施例中，本发明计算步骤S3得到的已知信号辐射源对应低维度向量中心具体为：

S41、从步骤S3得到的已知信号辐射源对应低维度向量中提取每个已知信号辐射源对应的低维矩阵；

S42、分别计算低维矩阵中每行元素的平均值，得到已知信号辐射源对应的低维度向量中心。

以k＝3为例，步骤S3计算得到的矩阵为500*3，其中1-100行为一号源对应的低维矩阵，那么一号源的低维向量中心就是Y矩阵的前100行组成的100*3的矩阵以每行为单位计算平均得到的三维向量，同理可得其他源的低维向量中心。

S5、将待测信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量；

在本实施例中，本发明的步骤S5与步骤S2类似，将待测信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量。

S6、对步骤S5提取的高维度向量进行PCA降维得到对应的低维度向量；

在本实施例中，本发明的步骤S6与步骤S3类似，在对步骤S5提取的高维度向量进行PCA降维时，根据步骤S34得到的特征向量矩阵和步骤S5提取的高维度向量计算得到待测信号辐射源对应的低维度向量。

本发明选取步骤S34得到的包含已知信号辐射源信息的特征向量矩阵P，利用特征向量矩阵P对待测信号辐射源的高维度向量进行降维。

如未知源为一个单样本，在全连接层处得到1*512的矩阵M，利用已知信号辐射源的特征向量矩阵P，P矩阵维度为512*k，计算MP，得到待测信号辐射源对应的低维度向量，MP的计算结果为1*k(k为降维后的维度)。

S7、计算步骤S6得到的待测信号辐射源对应低维度向量与步骤S4得到的已知信号辐射源对应低维度向量中心之间的欧式距离；

在本实施例中，上述步骤S7具体为：

分别计算步骤S6得到的待测信号辐射源对应低维度向量与步骤S4得到的每个已知信号辐射源对应低维度向量中心之间的欧式距离。

如步骤S4得到的5个已知信号辐射源的中心分别为x＝(x₁,x₂,...,x_k)，y＝(y₁,y₂,...,y_k)，z＝(z₁,z₂,...,z_k)，l＝(l₁,l₂,...,l_k)，m＝(m₁,m₂,...,m_k)，其中k表示低维向量维度，待测信号辐射源的低维向量为Un＝(Un₁,Un₂,...,Un_k)，则计算得到各个中心的欧式距离则为|Un-x|，|Un-y|，|Un-z|，|Un-l|，|Un-m|。

S8、根据步骤S7计算的欧式距离对待测信号辐射源进行判决。

在本实施例中，上述步骤S8具体为：

根据步骤S7计算的待测信号辐射源对应低维度向量与每个已知信号辐射源对应低维度向量中心之间的欧式距离，判断所有欧式距离是否大于设定的距离门限值；若是，则判决该待测信号辐射源为未知信号辐射源；否则判决待测信号辐射源为已知信号辐射源。本发明利用门限判决的方式分离出自身低维向量离已知源低维向量中心较远的信号，实现未知源的判决。

本发明通过设立一个距离门限实现未知源的判决，如图3所示，每个颜色簇表示一个已知信号辐射源，由图3可以看出，未知信号辐射源的低维向量散落在空间各处，而已知信号辐射源的低维向量呈现簇状分布，相互之间的距离较近，且存在一个向量中心，因此可以选用门限判决的方式很好地分离出离已知信号辐射源低维向量中心较远的点，即未知信号辐射源，也能使得在门限范围内的已知信号辐射源不被判为未知信号辐射源，从而实现划分效果。

若距离大于距离门限说明该信号辐射源与所有已知信号辐射源的距离足够远，为未知信号辐射源，否则为已知信号辐射源，如已知x,y,z,l,m五个已知信号辐射源低维度向量中心，计算|Un-x|，|Un-y|，|Un-z|，|Un-l|，|Un-m|，若计算得到的全部欧式距离大于距离门限，则说明该信号辐射源离每个已知信号辐射源中心都较远，如图3中x点，将被判为未知信号辐射源，否则判为已知信号辐射源。

如图3所示，可以看出，已知源为簇状分布，且存在一个向量中心，而未知源则是弥散分布在整个空间，因此可以通过计算未知源低维向量与各个已知源低维向量簇中心距离的方式来获取一个合理的门限，若该距离大于该门限则为图3中x点表示的情况，判定为未知源，若小于该门限，则为图3中彩色圆圈表示的情况，判断为已知源，从而实现未知源的判决。

本发明可以在利用普通卷积神经网络自身的结构特点的基础上解决神经网络因硬判决原因导致的未知源无法识别的问题，无需使用其他的网络结构和算法，只需在原有网络的基础上加上一个PCA降维功能和设置一个门限便能够实现对未知源的判别。相比于其他常见未知判决方法，例如传统特征提取法、Metric Learning等，本发明方法具有简单易行的特点，无需针对信号某一特征进行特征提取，也无需使用度量学习的方法将所有的样本映射成复杂的多维特征，只需要在已有模型的基础上增加一个判决功能便能实现未知源的识别。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种基于卷积神经网络的未知信号辐射源识别方法，其特征在于，包括以下步骤：

S1、利用已知信号辐射源数据训练卷积神经网络模型；

S2、将已知信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量；

S3、对步骤S2提取的高维度向量进行PCA降维得到对应的低维度向量；

S4、计算步骤S3得到的已知信号辐射源对应低维度向量中心；

S5、将待测信号辐射源数据输入步骤S1训练后的卷积神经网络模型，提取神经网络末端层的高维度向量；

S6、对步骤S5提取的高维度向量进行PCA降维得到对应的低维度向量；

S7、计算步骤S6得到的待测信号辐射源对应低维度向量与步骤S4得到的已知信号辐射源对应低维度向量中心之间的欧式距离；

S8、根据步骤S7计算的欧式距离对待测信号辐射源进行判决。

2.根据权利要求1所述的基于卷积神经网络的未知信号辐射源识别方法，其特征在于，所述提取神经网络末端层的高维度向量具体为：

提取神经网络最后一层全连接层的高维度向量，所述高维度向量中的第i行表示第i个信号样本经过神经网络后在全连接层处的高维向量，第j列表示待降维的第j个特征。

3.根据权利要求2所述的基于卷积神经网络的未知信号辐射源识别方法，其特征在于，所述步骤S3具体包括以下分步骤：

S31、对步骤S2提取的高维度向量进行去中心化处理；

S32、计算高维度向量中每一列元素的协方差矩阵；

S33、计算每个元素的协方差矩阵的特征值和特征向量；

S34、将特征值按大小进行排序，选取其中较大的k个特征向量组成特征向量矩阵；

S35、根据特征向量矩阵和步骤S5提取的高维度向量计算得到已知信号辐射源对应的低维度向量。

4.根据权利要求3所述的基于卷积神经网络的未知信号辐射源识别方法，其特征在于，所述步骤S4具体为：

S41、从步骤S3得到的已知信号辐射源对应低维度向量中提取每个已知信号辐射源对应的低维矩阵；

S42、分别计算低维矩阵中每行元素的平均值，得到已知信号辐射源对应的低维度向量中心。

5.根据权利要求4所述的基于卷积神经网络的未知信号辐射源识别方法，其特征在于，所述步骤S6具体为：

根据步骤S34得到的特征向量矩阵和步骤S5提取的高维度向量计算得到待测信号辐射源对应的低维度向量。

6.根据权利要求5所述的基于卷积神经网络的未知信号辐射源识别方法，其特征在于，所述步骤S7具体为：

分别计算步骤S6得到的待测信号辐射源对应低维度向量与步骤S4得到的每个已知信号辐射源对应低维度向量中心之间的欧式距离。

7.根据权利要求6所述的基于卷积神经网络的未知信号辐射源识别方法，其特征在于，所述步骤S8具体为：

根据步骤S7计算的待测信号辐射源对应低维度向量与每个已知信号辐射源对应低维度向量中心之间的欧式距离，判断所有欧式距离是否大于设定的距离门限值；若是，则判决该待测信号辐射源为未知信号辐射源；否则判决待测信号辐射源为已知信号辐射源。

Images