CN112884122B - 一种基于神经元激活的信号调制类型识别模型可解释方法及装置 - Google Patents

一种基于神经元激活的信号调制类型识别模型可解释方法及装置 Download PDF

Info

Publication number
CN112884122B
CN112884122B CN202110204132.6A CN202110204132A CN112884122B CN 112884122 B CN112884122 B CN 112884122B CN 202110204132 A CN202110204132 A CN 202110204132A CN 112884122 B CN112884122 B CN 112884122B
Authority
CN
China
Prior art keywords
modulation type
signal modulation
type recognition
recognition model
model
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
Application number
CN202110204132.6A
Other languages
English (en)
Other versions
CN112884122A (zh
Inventor
林昶廷
陈晋音
董建锋
陈建海
赵彬彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Juntong Intelligent Technology Co ltd
Original Assignee
Hangzhou Yige Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Yige Technology Co ltd filed Critical Hangzhou Yige Technology Co ltd
Priority to CN202110204132.6A priority Critical patent/CN112884122B/zh
Publication of CN112884122A publication Critical patent/CN112884122A/zh
Application granted granted Critical
Publication of CN112884122B publication Critical patent/CN112884122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种基于神经元激活的信号调制类型识别模型可解释方法及装置，根据在分类任务中激活值大的神经元对分类任务起关键作用的特点，通过统计LSTM网络中激活值较大的神经元，将这些神经元的激活值相加后对输入求导就可以获得特征矩阵，该特征矩阵反应了模型对输入各个部位的关注程度。将特征矩阵印射到输入波形图以及星座图上后就可以获得模型对输入各个部位的关注程度以及模型对星座图上关键位置的关注程度，就可实现对模型的解释性分析。该方法可以对基于LSTM网络的信号调制类型识别模型的识别机理进行解释性分析，从而验证模型的安全性。

Description

一种基于神经元激活的信号调制类型识别模型可解释方法及 装置
技术领域
本发明属于深度学习安全领域，具体涉及一种基于神经元激活的信号调制类型识别模型可解释方法及装置。
背景技术
无线通信已在人们的生产生活中扮演了越来越重要的角色，已被应用在多个领域，如在民事领域，通过无线通信实现了车机互联，车辆自动驾驶，道路摄像头无线监控，手机定位导航等；在军事领域，通过无线通信实现了武器平台的内部无线互联，组成近距离通信指挥网络，精确定位等。无线通信依赖于无线通信系统实现。无线通信系统由发射端和接收端组成，发射端对信号进行通道编码，调制和脉冲整形后进行发送。接收端使用载波和符号同步、信道估计、均衡、解调和解码等过程从接收到的失真信号中恢复信息。在恢复时需要对接收到的信号的调制类型进行识别后才能进行解码等信号恢复操作，因此信号调制类型的识别对无线通信系统接收端的信号恢复至关重要。并且信号调制类型的识别在认知无线电、软件定义无线电和电子战等民用和军事应用中发挥着重要作用，如在民事领域，信号调制类型的识别是认知自动驾驶实现的重要步骤之一。
信号调制类型识别技术被用来对接收到信号的调制类型进行识别。传统的信号调制类型识别主要采用多种仪器和领域实验，通常成本高昂，精度无法保证。传统的信号方法首先基于专家知识提取无线电特征，即频谱、矩、累积量，然后通过统计或机器学习算法对其进行分类。然而，由于分类精度在很大程度上依赖于提取的无线电特异性特征，因此其性能并不能得到保证。提取正确的无线电特征具有挑战性，需要大量的计算。
深度神经网络的优异性能促进了许多复杂数据处理领域的发展，如大幅提高了语音识别和图像识别的准确率。随着深度神经网络在这些任务中的成功，深度神经网络也被应用于无线通信系统中。深度学习的发展为信号分类问题提供了有效的解决途径，在信号调制类型识别任务中已经获得了优异的性能，正在迅速成为信号自动调制分类的重要技术。但对于信号调制类型识别机制的理解和关键原因，即可解释性，仍然是一个悬而未决的问题。与传统的具有可解释性的基于特征的信号自动调制类型识别算法不同，基于深度学习的分类器以端到端的方式推断调制类别，就像“黑匣子”一样运作。近年来，基于深度学习的分类器的可解释性逐渐在图像分类、自然语言处理、语音识别、文本分类等领域得到了研究。然而，在无线电信号领域，很少有解释能预测出什么样的无线电特征可以被不同的深度学习无线电调制分类器所提取。深度学习模型对信号调制类型的识别机理也是未知的，模型的安全性也就无法得到印证。无线通信技术在一些场景中有着较高的安全性要求，如在军事无线通信中，利用无线通信技术，军方可以对敌方进行精确定位。虽然深度学习模型对信号调制类型识别有着极高的性能，但是由于深度学习模型对信号的识别机理仍是未知的，深度学习模型被应用在军事领域的安全性是难以验证的。
对于基于卷积神经网络的信号调制类型识别模型，可以使用计算机视觉领域的可解释技术对其进行解释性分析。然而信号是一种时序数据，在信号调制类型识别任务中，循环神经网络如长短期记忆网络(Long Short-Term Memory，LSTM)这种可以处理时序数据的模型已被大量应用，而对LSTM模型的可解释技术是匮乏的。
发明内容
针对目前基于LSTM网络的信号调制类型识别模型难以进行可解释性分析，模型的安全性难以得到验证的问题，本发明提供了一种基于神经元激活的信号调制类型识别模型的可解释方法和装置，通过神经元的激活值获得模型对输入的特征矩阵，通过特征矩阵对LSTM模型识别信号的机理进行解释性分析，从而验证模型的安全性。
本发明的技术方案为：
第一方面，一种基于神经元激活的信号调制类型识别模型的可解释方法，包括以下步骤：
(1)构建包含训练样本和测试样本的数据集，构建基于LSTM网络和分类网络的信号调制类型识别网络，并利用训练样本训练信号调制类型识别网络，得到信号调制类型识别模型；
(2)将测试样本输入至信号调制类型识别模型中，并统计在测试样本输入下，LSTM网络在每个时间步的前I大的I个神经元激活值，根据所有时间步的所有神经元激活值之和构建损失函数，并以损失函数相对输入测试样本的导数为特征矩阵；
(3)将特征矩阵映射到测试样本对应的波形图上，通过观察波形图上特征点体现的信号调制类型识别模型对波形图上每个部位的关注程度，实现对信号调制类型识别模型的识别机理的可解释性分析，以分析模型的安全性；
(4)将特征矩阵映射到星座图上，通过观察特征点体现信号调制类型识别模型对星座图上的关键位置的关注程度，实现对信号调制类型识别模型的识别机理的可解释性分析，以分析模型的安全性。
优选地，在构建数据集时，将信号矩阵进行正则化处理，处理后的信号矩阵分为训练样本和测试样本组成数据集。
优选地，所述LSTM网络包含至少2全连接神经网络，每个全连接神经网络包含至少1层全连接层，用于提取输入数据的特征，每个全连接层的神经元个数由单元数决定。
优选地，所述分类网络为至少1个全连接层组成的全连接神经网络。
优选地，将测试样本输入信号调制类型识别模型时，在每个时间步上，从LSTM网络中最后一个全连接神经网络的输出矩阵上统计前n大的神经元激活值。
优选地，构建的损失函数LOSS’为：
Figure GDA0003648053190000041
其中，T表示总时间步长，也就是输入测试样本的长度，
Figure GDA0003648053190000042
表示第t步神经元输出的第i个较大的激活值，I表示神经元激活值的总个数，即前I大的I个神经元激活值，
特征矩阵F为：
Figure GDA0003648053190000043
其中，x表示输入测试样本。
优选地，将特征矩阵映射到测试样本对应的波形图上时，以颜色区分呈现特征矩阵中特征点元素值大小，通过观察波形上特征点的颜色来确定信号调制类型识别模型关注的波形部位及关注程度，实现对信号调制类型识别模型的识别机理的可解释性分析，当信号调制类型识别模型关注的波形部位及关注程度与确定信号调制类型的波形关键部位不同时，则认为信号调制类型识别模型不安全。
优选地，将特征矩阵映射到星座图时，首先，基于根据波形图上的IQ信号能够计算相位和幅值，根据特征矩阵在波形图上的体现，同样计算特征点的相位和幅值，根据特征点的相位和幅值获得星座图，实现将特征矩阵映射到星座图。
优选地，将特征矩阵映射到星座图上时，以颜色区分呈现特征矩阵中特征点元素值大小，通过观察星座图上特征点的颜色来确定信号调制类型识别模型关注的部位，实现对信号调制类型识别模型的识别机理的可解释性分析，当信号调制类型识别模型关注的部位与星座图上确定信号调制类型的关键位置不同时，则认为信号调制类型识别模型不安全。
第二方面，一种基于神经元激活的信号调制类型识别模型的可解释装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行计算机程序时实现上述基于神经元激活的信号调制类型识别模型的可解释方法。
与现有技术相比，本发明具有的有益效果至少包括：
根据在分类任务中激活值大的神经元对分类任务起关键作用的特点，通过统计LSTM网络中激活值较大的神经元，将这些神经元的激活值相加后对输入求导就可以获得特征矩阵，该特征矩阵反应了模型对输入各个部位的关注程度。将特征矩阵印射到输入波形图以及星座图上后就可以获得模型对输入各个部位的关注程度以及模型对星座图上关键位置的关注程度，就可实现对模型的解释性分析。该方法可以对基于LSTM网络的信号调制类型识别模型的识别机理进行解释性分析，从而验证模型的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于神经元激活的信号调制类型识别模型可解释方法的流程图；
图2是本发明实施例提供的信号调制类型识别模型的结构图；
图3是本发明实施例提供的求解特征矩阵的流程图；
图4是本发明实施例提供的求解特征矩阵的原理示意图；
图5是本发明实施例提供的将特征矩阵映射到波形图和星座图的示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
针对信号调制类型识别模型难以可解释性分析识别过程以至模型的安全性难以得到验证的问题，实施例提供了一种基于神经元激活的信号调制类型识别模型可解释方法和装置。
图1为本发明实施例提供的基于神经元激活的信号调制类型识别模型可解释方法的流程图。如图1所示，实施例提供的基于神经元激活的信号调制类型识别模型可解释方法包括以下步骤：
步骤1，根据信号波形图构建包含训练样本和测试样本的数据集。
实施例中，RadioML2016.10a数据集，该数据集中每个波形图样本转换成大小为128x2的矩阵，其中对该数据集中的数据进行划分，80％的数据用于训练，20％的数据用于测试。然后对矩阵进行正则化处理，正则化处理的公式如下式(1)所示：
Figure GDA0003648053190000071
其中X表示需要进行正则化的信号，max(X)表示X的最大值，min(X)表示X的最小值。
步骤2，构建基于LSTM网络和全连接神经网络的信号调制类型识别网络。
如图2所示，实施例搭建的信号调制类型识别网络的输入为IQ信号转换的矩阵，具体由LSTM网络和全连接神经网络构成，图2中虚线框内表示的是LSTM网络，实线框表示的是11个神经元的全连接神经网络，该层网络用于最后的分类。
针对LSTM网络，虚线框中的深色部分表示LSTM网络的结构，需要注意的是虚线框中实际上只表示了1个LSTM网络。LSTM处理时序信号时，时序信号会被拆分成帧或这点后输入给LSTM网络，因此对于一个LSTM网络实际上可以看成多个时间步的输入，因此用多个深色的框表示LSTM网络处理多个时间步输入的过程。LSTM网络中有3个全连接层，每个全连接层的神经元个数由一个单元数决定，设置单元数为128，也就是LSTM网络中的每个全连接网络的神经元个数为128。该单元数可以根据实际分类任务具体设置，如在本次信号分类任务中，RadioML2016.10a数据集中包含11类信号，128个单元的LSTM网络对该数据集的信号分类任务是足够的，若信号类别数增加，则可以通过设置更多的单元数实现更高的分类精度。
针对全连接神经网络，全连接神经网路与LSTM网络连接，用于分类，具体来说，LSTM网络的输出为128×128，对该输出进行形状重整(Flatten)操作，经过Flatten后的输出大小为1×16384，将该输出与11个神经元的全连接层相连接。
步骤3，利用训练样本训练信号调制类型识别网络，得到信号调制类型识别模型。
在训练信号调制类型识别网络时，首先构建用于模型训练的损失函数，使用交差熵作为模型训练的损失函数，交叉熵损失函数如下式(2)所示：
Figure GDA0003648053190000081
其中n表示所有的训练样本的个数，p(xi)表示第i个样本的真实类标，q(xi)表示第i个样本的预测类标。
使用步骤1中的数据集对步骤2中搭建的基于LSTM网络的信号调制类型识别网络进行训练。使用测试集对训练完成的模型进行测试，若模型测试精度达不到预期精度，则修改模型参数或者调整训练超参重新训练模型，直至模型测试精度达到预期精度为止。
步骤4，将测试样本输入至信号调制类型识别模型中，根据神经元激活值计算测试样本的特征矩阵。
实施例中，通过神经元激活值求得特征矩阵从而对模型的识别机理进行解释性分析，由图2可知，对于基于LSTM网络的信号调制类型识别模型，LSTM网络对信号提取关键的特征，而最后的全连接层实现对关键特征的分类。根据激活值较大的神经元对信号分类器关键作用的特点，通过激活值较大的神经元就可以求取模型的特征矩阵，将特征矩阵印射到输入和星座图上就可以观察模型对原信号某个部位的关注程度以及在星座图上观察模型对关键点的关注程度。如图3和图4所示，求取特征矩阵的过程为：
首先，确定LSTM网络中激活值较大的神经元。如图4所示，IQ信号在输入LSTM网络时，会被拆分成点，这些点会逐点输入LSTM网络。图4中深色框所示的为LSTM网络结构，其中深色框中的δ表示全连接神经网络，每个LSTM网络由3个全连接网络构成，在每个时间步都取最后一个全连接神经网络的输出，从该输出中确定激活值较大的神经元。该输出大小与神经元个数对应，因此可以通过该层的输出确定激活值较大的神经元。需要注意的是，如图4中的虚线框所示，其中虚线框中的黑色圆点表示激活值较大的神经元。实际上应取多个激活值较大的神经元，如前10个激活值较大的神经元，由于图中无法直接体现10个神经元，因此只用一个神经元进行表示。
然后，将每个时间步所确定的神经元的激活值相加，作为损失函数LOSS’,其公式如下式(3)所示：
Figure GDA0003648053190000091
其中，T表示总时间不长，也就是输入信号的长度，
Figure GDA0003648053190000092
表示第t步神经元输出的第i个较大的激活值，10表示取10个激活值较大的神经元。
最后，根据损失函数求取模型的对输入的特征矩阵。通过损失函数对输入求导就可以获得特征矩阵，该特征矩阵包含了模型对输入各个部分的关注信息。其求取过程如公式(4)所示。
Figure GDA0003648053190000093
其中，x为输入信号。
步骤5，将特征矩阵映射到波形图和星座图上，实现对信号调制类型识别模型的识别机理的可解释性分析，以分析模型的安全性。
如图5所示，映射和分析过程为：
将特征矩阵印射到波形图上。由于特征矩阵的大小与输入信号的尺寸相同。因此特征矩阵中的每个位置特征点的元素值与输入是相对应的，值越大表示模型在输入上关注的程度也就越多，在波形图上颜色也就越深。从波形图上观察波形的关键部位是否被模型关注就可以对模型的识别机理进行解释性分析。
将特征矩阵印射到星座图上。从获得特征矩阵在波形图上的体现，波形图是由IQ信号获得的，而通过IQ信号可以计算相位和幅值，由相位和幅值就可以获得星座图。将I路和Q路信号每个点所对应的特征值相加作为星座图上对应点的特征值就可以确定模型是否关注到了星座图上的关键位置，从而就可以通过星座图对模型的识别机理进行解释性分析。
实施例还提供了一种基于神经元激活的信号调制类型识别模型可解释装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行计算机程序时实现上述基于神经元激活的信号调制类型识别模型的可解释方法。
由于该装置中以及计算机存储器存储的计算机程序主要用于实现上述的一种基于神经元激活的信号调制类型识别模型可解释方法，因此其作用于上述模型可解释方法的作用相对应，此处不再赘述。
上述实施例提供的基于神经元激活的信号调制类型识别模型的可解释方法和装置，根据在分类任务中激活值大的神经元对分类任务起关键作用的特点，通过统计LSTM网络中激活值较大的神经元，将这些神经元的激活值相加后对输入求导就可以获得特征矩阵，该特征矩阵反应了模型对输入各个部位的关注程度。将特征矩阵印射到输入以及星座图上后就可以获得模型对输入各个部位的关注程度以及模型对星座图上关键位置的关注程度，就可实现对模型的解释性分析。该方法可以对基于LSTM网络的信号调制类型识别模型的识别机理进行解释性分析，从而验证模型的安全性。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，包括以下步骤：
(1)构建包含训练样本和测试样本的数据集，构建基于LSTM网络和分类网络的信号调制类型识别网络，并利用训练样本训练信号调制类型识别网络，得到信号调制类型识别模型；
(2)将测试样本输入至信号调制类型识别模型中，并统计在测试样本输入下，LSTM网络在每个时间步的前I大的I个神经元激活值，根据所有时间步的前I大的I个神经元激活值之和构建损失函数，并以损失函数相对输入测试样本的导数为特征矩阵；
其中，构建的损失函数Loss’为：
Figure FDA0003648053180000011
其中，T表示总时间步长，也就是输入测试样本的长度，
Figure FDA0003648053180000012
表示第t步神经元输出的第i个较大的激活值，I表示神经元激活值的总个数，即前I大的I个神经元激活值；
(3)将特征矩阵映射到测试样本对应的波形图上，通过观察波形图上特征点体现的信号调制类型识别模型对波形图上每个部位的关注程度，实现对信号调制类型识别模型的识别机理的可解释性分析，以分析模型的安全性；
(4)将特征矩阵映射到星座图上，通过观察特征点体现信号调制类型识别模型对星座图上的关键位置的关注程度，实现对信号调制类型识别模型的识别机理的可解释性分析，以分析模型的安全性。
2.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，在构建数据集时，将信号矩阵进行正则化处理，处理后的信号矩阵分为训练样本和测试样本组成数据集。
3.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，所述LSTM网络包含至少2个全连接神经网络，每个全连接神经网络包含至少1层全连接层，用于提取输入数据的特征，每个全连接层的神经元个数由单元数决定。
4.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，所述分类网络为至少1个全连接层组成的全连接神经网络。
5.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，将测试样本输入信号调制类型识别模型时，在每个时间步上，从LSTM网络中最后一个全连接神经网络的输出矩阵上统计前n大的神经元激活值。
6.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，特征矩阵F为：
Figure FDA0003648053180000021
其中，x表示输入测试样本。
7.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，将特征矩阵映射到测试样本对应的波形图上时，以颜色区分呈现特征矩阵中特征点元素值大小，通过观察波形上特征点的颜色来确定信号调制类型识别模型关注的波形部位及关注程度，实现对信号调制类型识别模型的识别机理的可解释性分析，当信号调制类型识别模型关注的波形部位及关注程度与确定信号调制类型的波形关键部位不同时，则认为信号调制类型识别模型不安全。
8.如权利要求1所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，将特征矩阵映射到星座图时，首先，基于根据波形图上的IQ信号能够计算相位和幅值，根据特征矩阵在波形图上的体现，同样计算特征点的相位和幅值，根据特征点的相位和幅值获得星座图，实现将特征矩阵映射到星座图。
9.如权利要求1或8所述的基于神经元激活的信号调制类型识别模型的可解释方法，其特征在于，将特征矩阵映射到星座图上时，以颜色区分呈现特征矩阵中特征点元素值大小，通过观察星座图上特征点的颜色来确定信号调制类型识别模型关注的部位，实现对信号调制类型识别模型的识别机理的可解释性分析，当信号调制类型识别模型关注的部位与星座图上确定信号调制类型的关键位置不同时，则认为信号调制类型识别模型不安全。
10.一种基于神经元激活的信号调制类型识别模型的可解释装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行计算机程序时实现权利要求1～9任一项所述的基于神经元激活的信号调制类型识别模型的可解释方法。
CN202110204132.6A 2021-02-23 2021-02-23 一种基于神经元激活的信号调制类型识别模型可解释方法及装置 Active CN112884122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110204132.6A CN112884122B (zh) 2021-02-23 2021-02-23 一种基于神经元激活的信号调制类型识别模型可解释方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110204132.6A CN112884122B (zh) 2021-02-23 2021-02-23 一种基于神经元激活的信号调制类型识别模型可解释方法及装置

Publications (2)

Publication Number Publication Date
CN112884122A CN112884122A (zh) 2021-06-01
CN112884122B true CN112884122B (zh) 2022-07-05

Family

ID=76054201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110204132.6A Active CN112884122B (zh) 2021-02-23 2021-02-23 一种基于神经元激活的信号调制类型识别模型可解释方法及装置

Country Status (1)

Country Link
CN (1) CN112884122B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012007757A1 (en) * 2010-07-15 2012-01-19 The University Of Liverpool Automatic digital modulation classification using genetic programming with k- nearest neighbor
CN107026755A (zh) * 2017-03-13 2017-08-08 南京邮电大学 一种基于排序学习的服务推荐方法
CN109873779A (zh) * 2019-01-30 2019-06-11 浙江工业大学 一种基于lstm的分级式无线信号调制类型识别方法
CN110086737A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于图神经网络的通信信号调制方式的识别方法
CN111428817A (zh) * 2020-04-22 2020-07-17 浙江工业大学 一种面向无线电信号识别对抗攻击的防御方法
CN111666861A (zh) * 2020-06-01 2020-09-15 浙江工业大学 一种适用于基于卷积神经网络的无线信号调制分类器可视化方法
CN111680601A (zh) * 2020-06-01 2020-09-18 浙江工业大学 一种适用于基于长短期记忆网络的无线信号调制分类器可视化方法
CN111884962A (zh) * 2020-06-01 2020-11-03 山东师范大学 一种基于卷积神经网络的信号调制类型分类方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012007757A1 (en) * 2010-07-15 2012-01-19 The University Of Liverpool Automatic digital modulation classification using genetic programming with k- nearest neighbor
CN107026755A (zh) * 2017-03-13 2017-08-08 南京邮电大学 一种基于排序学习的服务推荐方法
CN109873779A (zh) * 2019-01-30 2019-06-11 浙江工业大学 一种基于lstm的分级式无线信号调制类型识别方法
CN110086737A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于图神经网络的通信信号调制方式的识别方法
CN111428817A (zh) * 2020-04-22 2020-07-17 浙江工业大学 一种面向无线电信号识别对抗攻击的防御方法
CN111666861A (zh) * 2020-06-01 2020-09-15 浙江工业大学 一种适用于基于卷积神经网络的无线信号调制分类器可视化方法
CN111680601A (zh) * 2020-06-01 2020-09-18 浙江工业大学 一种适用于基于长短期记忆网络的无线信号调制分类器可视化方法
CN111884962A (zh) * 2020-06-01 2020-11-03 山东师范大学 一种基于卷积神经网络的信号调制类型分类方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Feature Explainable Deep Classification for Signal Modulation Recognition;Jinyin Chen等;《IEEE》;20201118;第3543-3548页 *
Generative Adversarial Networks-Based Semi-Supervised Automatic Modulation Recognition for Cognitive Radio Networks;Mingxuan Li等;《sensors》;20181113;第1-22页 *
Visualizing Deep Learning-based Radio Modulation Classifier;Liang Huang等;《arXiv》;20210118;第1-11页 *
基于信噪比分级的信号调制类型识别;陈晋音等;《计算机科学》;20200630;第310-317页 *

Also Published As

Publication number Publication date
CN112884122A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Wu et al. A deep learning approach for modulation recognition via exploiting temporal correlations
CN109840531B (zh) 训练多标签分类模型的方法和装置
CN112702294B (zh) 一种基于深度学习的多层次特征提取的调制识别方法
CN111881707B (zh) 图像翻拍检测方法、身份验证方法、模型训练方法及装置
CN110598530A (zh) 一种基于acgan的小样本无线电信号增强识别方法
CN107491729B (zh) 基于余弦相似度激活的卷积神经网络的手写数字识别方法
US11700156B1 (en) Intelligent data and knowledge-driven method for modulation recognition
CN112395941B (zh) 无线电信号辐射源个体识别方法、计算机设备和存储介质
CN116992299B (zh) 区块链交易异常检测模型的训练方法、检测方法及装置
CN112232395B (zh) 一种基于联合训练生成对抗网络的半监督图像分类方法
Tan et al. Semi-supervised specific emitter identification based on bispectrum feature extraction CGAN in multiple communication scenarios
Lin et al. Modulation recognition using signal enhancement and multistage attention mechanism
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN112884122B (zh) 一种基于神经元激活的信号调制类型识别模型可解释方法及装置
CN110995631B (zh) 一种基于lstm和svm的通信信号调制模式识别方法及系统
CN116894207A (zh) 一种基于Swin Transformer和迁移学习的智能辐射源识别方法
CN114724245B (zh) 基于csi的增量学习人体动作识别方法
Gai et al. Spectrum sensing method based on residual cellular network
CN114826850B (zh) 基于时频图和深度学习的调制识别方法、装置及设备
CN116070136A (zh) 基于深度学习的多模态融合无线信号自动调制识别方法
CN113221870B (zh) 一种用于移动终端的ocr识别方法、装置、存储介质及设备
CN115273046A (zh) 一种用于智能视频分析的驾驶员行为识别方法
Zhang et al. Modulation recognition of communication signals based on SCHKS-SSVM
Lin et al. Features fusion based automatic modulation classification using convolutional neural network
CN113221628A (zh) 基于人体骨架点云交互学习的视频暴力识别方法、系统及介质

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
TR01 Transfer of patent right

Effective date of registration: 20221123

Address after: 310053 room 314, building 2, No. 66, Dongxin Avenue, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang juntong Intelligent Technology Co.,Ltd.

Address before: 311100 room 801, building 5, Hangzhou Hongfeng home furnishing City, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee before: Hangzhou Yige Technology Co.,Ltd.

TR01 Transfer of patent right