CN113569773B - 基于知识图谱和Softmax回归的干扰信号识别方法 - Google Patents

Abstract

本发明具体涉及一种基于知识图谱和Softmax回归的干扰信号识别方法，通过构建包含与干扰信号识别相关的知识图谱，将各种干扰类型的知识图谱嵌入到低维向量空间中，既保留了知识图谱中所蕴含的知识又将知识图谱中的实体和关系转换成了向量，并将此知识图谱作为先验知识为Softmax回归方法提供辅助信息，使模型训练速度更快，所需样本数量更少，并进一步提高了低干信比下干扰信号的识别性能。

Description

基于知识图谱和Softmax回归的干扰信号识别方法

技术领域

本发明属于信号识别领域，具体涉及一种基于知识图谱和Softmax回归的干扰信号识别方法。

背景技术

未来移动通信系统将是地海空一体化网络的深度融合和交叠，可以预见未来频谱资源将会越来越稀缺，无线通信系统将会面临各种各样的干扰。除了日常通信信道中的自然干扰，还会有以破坏通信系统稳定性为目的的压制式或灵巧式恶意干扰，而这种恶意干扰在电子战中尤为常见。

为了应对纷繁复杂的干扰技术，更加智能和高效的抗干扰手段也应运而生。在通信方式中，主要有猝发通信，扩频通信等侦查难度高、隐蔽性好、抗干扰能力强的特种通信方式；在干扰识别方式中，人们在时频域、变换域和空域等方面研究出大量干扰信号识别的方法。目前应用最为广泛也最具代表性的方法有基于决策树算法的干扰信号识别和基于BP(Back Propagation)神经网络的干扰信号两种方法。基于决策树算法的干扰信号识别方法先确定干扰信号需要提取的特征来生成决策树，为每一次判断或每一个特征选择一个合适的阈值，接着将样本输入决策树与树中每个节点的阈值进行比较，根据比较的结果选择对应的叶节点，以此类推，直到到达决策树的最后一层的叶节点，最终得到确定的分类结果，判决过程结束。利用决策树来实现干扰信号分类的优势在于分类算法简单，分类效率高，且算法具有可解释性。而决策树算法的分类效果与各个特征的判决门限的设定有很大关系，判决门限需要在反复实验过程中选取，若门限设置不合适，会使得识别准确率大大降低。基于BP神经网络的干扰识别算法先生成带标签的训练集，并提取训练集中每个信号的各种特征作为神经网络的输入，利用输出与对应样本的标签构建误差函数，再通过优化函数来更新网络中的权重与偏置等参数以达到训练网络的目的，最后利用训练好的网络即可实现干扰信号的分类。BP神经网络在低干信比的情况下性能要优于决策树算法，但BP神经网络往往需要经过大量的实验才能选取到更合适的隐藏层和隐藏层神经元数等超参数，其次在训练样本不够多的情况下，其识别准确率会受到限制。

知识图谱是由谷歌公司在2012年提出的一个全新的概念。从本质上看，知识图谱旨在描述真实世界中存在的各种实体或概念及其关系，将其构成一张巨大的语义网络图。知识图谱一般由三元组构成，而三元组的基本形式包括两种：“实体1-关系-实体2”和“实体-属性-属性值”。根据包含的内容，知识图谱可以分为通用知识图谱和垂直领域知识图谱。通用知识图谱旨在容纳更加丰富而全面的知识从而形成全方位的知识库。而垂直领域知识图谱则是面向特定领域，针对特定的问题能收集更加精准有效的知识，为解决相关问题提供辅助信息。显然，构建干扰信号的知识图谱能为传统干扰信号识别提供一些辅助信息，从而提高干扰信号识别的正确率，所以研究一种基于知识图谱的干扰信号识别方法是非常有必要的。

发明内容

本发明针对现有技术中的不足，提供一种基于知识图谱和Softmax回归的干扰信号识别方法，以进一步提高干扰信号识别的准确率。本发明采用的技术方案如下：

基于知识图谱和Softmax回归的干扰信号识别方法，包括以下步骤：

步骤1：分别提取干扰信号和不含干扰的通信信号的特征参数，按照“实体-属性-属性值”的三元组形式构建知识图谱，并将其存储于neo4j图数据库中用于可视化展示；所述三元组的实体为信号类型，属性为特征参数类型，分别为各特征参数设置阈值，若某特征参数的数值大于相应阈值，则该特征参数对应的属性值为高，否则为低；

步骤2：将步骤1中构建的知识图谱转换为以“头实体-关系-尾实体”的三元组形式构建的知识图谱，头实体与实体对应，关系与属性对应，尾实体与属性值对应；

步骤3：利用TransR算法分别将知识图谱中的实体和关系嵌入为向量，以获得知识图谱中头实体对应的向量，以及知识图谱中关系对应的嵌入向量；

步骤4：提取待识别信号的特征参数并做归一化处理，获得归一化的特征参数值；

步骤5：分别将知识图谱中关系对应的嵌入向量与归一化的特征参数对应相乘，并将所得结果向量依次头尾拼接得到的向量作为神经网络线性变换层的输入；

步骤6：将知识图谱中头实体对应的向量按列组成矩阵，并将神经网络线性变换层输出的预测向量与该组成矩阵相乘，得到向量M；

步骤7：将步骤6所得向量M代入Softmax函数，获取待识别信号属于每个信号类型的概率值，概率值最大的信号类型即为待识别信号的类型。

进一步地，所述步骤1中，干扰信号的类型包括单音连续波干扰、宽带梳状谱干扰、线性调频干扰、脉冲干扰、窄带随机二元码调制干扰和宽带随机二元码调制干扰，特征参数的类型包括能限因子、归一化频谱之3dB带宽、归一化频谱峰度系数、归一化频谱冲激部分标准差、时域峰均比和分数阶傅里叶域能量聚集度差别。

进一步地，所述步骤3中，利用TransR算法分别将知识图谱中的实体与关系嵌入为向量，具体公式如下：

h_r＝hM_r，

t_r＝tM_r，

其中，对于知识图谱中的每一个关系r都需要设置一个投影矩阵M_r，其作用是将每个头实体h和尾实体t从实体空间投影到关系空间中分别得到对应的h_r和t_r，通过不断调整向量h、r、t和M_r使h_r+r与t_r逐渐逼近，f_r(h,t)为得分函数，L为损失函数，γ为损失函数的超参数，在训练时通过采用将正确的三元组集合S中三元组(h,r,t)的头实体h或尾实体t随机替换的负采样方式组成错误的三元组(h',r,t')，从而构成错误的三元组集合S'。

进一步地，所述步骤3中，利用TransR算法分别将知识图谱中的实体与关系嵌入为向量，知识图谱中头实体对应的向量分别为知识图谱中关系对应的嵌入向量分别为/>所述步骤5中，神经网络线性变换层的输入向量/>X₁,X₂,X₃...X₆分别为归一化的特征参数值，/>表示向量拼接。

进一步地，步骤5中所述神经网络线性变换层包括输入层、隐藏层、输出层，输入层的单元数为60，隐藏层的单元数为15，输出层的单元数为10；步骤6中所述预测向量且O＝HW_o+b_o，其中H为隐藏层的输出且/>W_h与b_h分别为隐藏层的权重参数和偏置参数，W_o与b_o分别为输出层的权重参数和偏置参数。

进一步地，所述神经网络线性变换层训练时的损失函数为交叉熵损失函数，其定义如下：

其中，y为输入样本的标签向量，即输入样本对应的信号类型的独热编码，为线性变换层的输出向量，y_i与/>分别表示y与/>中的第i个元素。

进一步地，步骤6中向量M＝OE_h且E_h为知识图谱中头实体对应的向量E_h1,E_h2,E_h3,...,E_h7按列组成的矩阵且/>步骤7中将向量M代入Softmax函数，得到

其中，M_i为M中的第i个元素，y_i为待识别信号属于第i个信号类型的概率值。

与现有技术相比，本发明具有如下优点：

(1)本发明构建与干扰信号识别相关的知识图谱，并将以知识图谱为代表的认知智能技术引入到干扰信号识别技术领域，从而使得干扰信号的识别更加全面、准确和智能；

(2)本发明利用知识图谱表示学习算法，将各种干扰类型的知识图谱嵌入到低维向量空间中，既保留了知识图谱中所蕴含的知识又将知识图谱中的实体和关系转换成了向量，为传统的机器学习算法提供辅助先验知识，有利于提高对各类型干扰信号的识别性能；

(3)本发明将各类型干扰信号识别的经验与规律的知识图谱作为一种辅助信息引入到传统的机器学习算法中，结合知识图谱的Softmax回归方法不仅提高了干扰信号识别准确率，而且需求的训练量更小、在低干信比下对各类型的干扰信号识别准确率更高。

附图说明

图1为本发明实施例的实现流程图。

图2为本发明实施例7种信号的知识图谱示意图。

图3为本发明方法的框架示意图。

图4为本发明实施例中不同算法整体识别准确率与训练量的关系图。

图5为本发明实施例中不同算法整体识别准确率与干信比的关系图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图1所示，本实施例包括以下步骤：

步骤1：对于6种典型的干扰类型：单音连续波干扰、宽带梳状谱干扰、线性调频干扰、脉冲干扰、窄带随机二元码调制干扰和宽带随机二元码调制干扰，分别提取这些干扰信号的能限因子、归一化频谱之3dB带宽、归一化频谱峰度系数、归一化频谱冲激部分标准差、时域峰均比和分数阶傅里叶域能量聚集度差别6种特征参数。通过抽取出实体、属性和属性值，并按照“实体-属性-属性值”的三元组的组织形式来构建干扰信号的知识图谱，并将其存储在neo4j图数据库，此知识图谱的实体为6种干扰信号类型和1种不含干扰的通信信号类型，统一记为7种干扰类型，属性为各信号特征参数类型，分别设置6个特征参数的阈值，若某干扰类型信号的某个特征参数值高于对应阈值，则该信号的这个特征参数属性值为高，否则其属性值为低。

知识图谱一般由三元组构成，本发明首先按照“实体-属性-属性值”的三元组的组织形式来构建干扰信号的知识图谱，然后将该三元组的组织形式转换为“头实体-关系-尾实体”，其中头实体与实体对应，关系与属性对应，尾实体与属性值对应。

本实施例研究的典型干扰样式主要包括单音连续波干扰、宽带梳状谱干扰、线性调频干扰、脉冲干扰、随机二元码调制干扰：

(1)单音连续波干扰

单音连续波干扰是通信系统中常见的干扰之一，其在某个频率点发射连续波，信号特征是在时域连续、频域单音，该干扰方式简单且高效。定义如下：

式中，f为干扰信号的频率，P为干扰平均功率，φ₀为初始相位。

(2)宽带梳状谱干扰

宽带梳状谱干扰本质上可以看作由几个调制方式相同的干扰信号在不同的频率点上组合而成的干扰信号。宽带梳状谱干扰只对频率落在其梳齿位置的通信信号产生干扰，而频率在梳齿间的干扰信号则可以正常通信。宽带梳状谱干扰常常被建模成一组正弦调频信号，其时域表达式为：

式中，P_k为每个梳齿分量的平均功率，f_k为每个梳齿分量的频率，2Δf为每个梳齿分量的带宽，α、β为调制方式的参数。

(3)线性调频干扰

线性调频干扰是扫频干扰的一种，其频率随时间呈线性变化，而瞬时频率特性呈单音，在一个时间段内呈现出宽带的动态扫描特性，其产生方式是用一个带宽很窄的信号在某段时间内扫描一个较宽的带宽，使干扰瞬时频率随时间呈线性变换。其时域表达式为

式中，A是干扰的幅度，f为干扰的中心频率，μ₀为调频斜率，为初始相位。

(4)脉冲干扰

脉冲干扰是通信系统中常见的一种干扰样式，其往往呈现出突发性和随机性。脉冲干扰可在短时间内造成通信系统的误码率大幅增加，对通信系统会造成巨大干扰。脉冲干扰的时域表达式为

式中，δ(t)为冲击函数，K为脉冲周期的整数倍，T为脉冲周期。

(6)随机二元码调制干扰

在实际的通信系统中，干扰方常常不可能完全掌握所要干扰的通信系统所使用的扩频码。在这种情况下，干扰信号可以选择与通信系统采用的扩频码有一定相关性的伪码序列作为其PN(Pseudorandom Noise)码，在同步较好时也能达到令人满意的干扰效果，这种伪码序列形成的干扰称为随机二元码调制干扰，也称BPSK干扰，它的频谱特性非常接近白噪声特性，且具有与通信信号相同的时域特性。其表达式为：

式中，A为干扰的幅度，a_i取值为-1或+1，T_b为干扰信号的码元间隔，g(t)为矩形窗函数，f为干扰的频率，为初始相位。当T_b大于正常直扩通信信号的码元间隔时，产生窄带BPSK干扰；当T_b小于正常直扩通信信号的码元间隔时，产生宽带BPSK干扰。

为了实现各种类型的干扰信号的识别，需要明确每种类型的干扰信号特征，利用不同干扰类型之间特征的差异完成识别任务。本发明分别提取干扰信号的6个特征参数，本发明通过抽取出实体、属性和属性值，并按照“实体-属性-属性值”的结构构建出干扰样式知识图谱，并将其存储在neo4j图数据库中做可视化展示，如图2所示，由图可知此知识图谱的实体为6种干扰信号类型和1种不含干扰的通信信号类型，属性为各信号特征类型，分别设置6个特征参数的阈值，若某干扰类型信号的某个特征参数值高于对应阈值，则该信号的这个特征参数属性值为高，否则其属性值为低。图2中，红色节点NI、CWI、CSI、LFM、PI、BPSK_NBI、BPSK_WBI分别对应不含干扰的信号节点、含有单音连续波干扰的信号节点、含有宽带梳状谱干扰的信号节点、含有线性调频干扰的信号节点、含有脉冲干扰的信号节点、含有窄带BPSK干扰的信号节点和含有宽带BPSK干扰的信号节点，而图中的线EF、B_3dB、Ks、SIVI、Rpm、Dfr分别对应能量因子、归一化频谱峰度3dB带宽、归一化频谱峰度系数、归一化频谱冲激部分标准差、时域峰均比和分数阶傅里叶域能量聚集度差别。

步骤2:利用TransR算法将知识图谱中的头实体和关系嵌入成一个10维的向量，获得知识图谱中的头实体即7种干扰类型对应的向量以及知识图谱中的关系即为6个干扰特征参数对应的嵌入向量，表示为/>

知识图谱表示学习旨在通过将实体或关系投影到低维向量空间，从而实现图谱中实体和关系的语义信息的表达。2013年Borders等人提出了第一个基于翻译思想的知识图谱嵌入算法—TransE，该算法的核心思想是基于实体和关系的分布式向量表示，将每个三元组实例(h,r,t)中的关系r看作是从头实体h到尾实体t的翻译，通过不断调整向量h、r和t，使得(h+r)尽可能的等于t，即h+r＝t。此后大多数基于翻译思想的模型都是在TransE模型的基础上进行改进的，2014年ZhenWang等人提出TransH模型，其创新点在于它为每个关系r构建了特定的超平面，翻译操作是在超平面上完成的，这种改进提高了模型处理包含复杂关系的知识图谱的能力。随着研究的进展，人们发现前面的算法在嵌入含有一对多和多对一关系的知识图谱时表现并不理想，于是2015年YanKai Lin等人提出了TransR模型解决了上述问题。由于本发明建立的干扰样式知识图谱包含一对多和多对一的复杂关系，因此选择使用TransR算法对上文构建的干扰样式知识图谱进行嵌入。

与TransE和TransH假设实体嵌入和关系嵌入在同一向量空间的思想不同，TransR将实体与关系建模在不同的向量空间中，即分成了实体空间和关系空间。TransR的核心思想如图2所示，每个三元组中的头实体和尾实体属于实体空间，而关系属于关系空间。对于知识图谱中的每一个关系，都需要设置一个投影矩阵M_r，其作用是将每个头实体h和尾实体t通过M_r从实体空间投影到关系空间中，分别得到h_r和t_r。通过不断调整向量h,r,t和投影矩阵M_r使得h_r+r与t_r越来越接近。这部分的思想与TransE相同，所以TransR的得分函数f_r(h,t)和损失函数L与TransE的相同，本发明利用TransR算法将知识图谱中的实体与关系嵌入成一个10维的向量。具体公式如下：

h_r＝hM_r，

t_r＝tM_r，

式中，TransR算法的损失函数L是hinge loss的一个变种，γ是该损失函数的超参数；S是正确的三元组集合；S'是错误的三元组集合。知识图谱中一般只包含正确的三元组S，在训练时需要采用对正确的三元组(h,r,t)随机替换头实体h或者尾实体t的负采样方式组成错误的三元组(h',r,t')，从而构成错误的三元组集合S'。

利用上述的TransR算法将知识图谱中的实体和关系嵌入成一个10维的向量，获得知识图谱中的头实体即7种干扰类型对应的嵌入向量以及知识图谱中的关系即为6个干扰特征参数对应的嵌入向量，表示为/>

步骤3:提取出所需要识别信号的多维特征参数，并做归一化操作获得归一化的特征参数值X₁,X₂,X₃...X₆。

步骤4:将知识图谱中的6种关系也就是6种干扰特征对应的嵌入向量E₁,E₂,E₃,...,E₆与归一化的特征值X₁,X₂,X₃...X₆对应相乘，得到6个维度为10的向量，再将向量依次头尾拼接得到一个维度为60的向量I作为神经网络线性变换层的输入，即其中，/>表示向量拼接。神经网络线性变换层包括输入层、隐藏层、输出层，输入层的单元数为60，隐藏层的单元数为15，输出层的单元数为10。

步骤5：向量I经过线性变换层后获得到一个维数为10的向量，即为预测向量表示为O＝HW_o+b_o，其中/>为隐藏层的输出，/>为隐藏层的权重参数，/>为隐藏层的偏置参数，/>为输出层的权重参数，/>为输出层的偏置参数。

步骤6：将知识图谱中的头实体即7种干扰类型对应的向量E_h1,E_h2,E_h3,...,E_h7按列组成矩阵并将神经网络线性变换层输出的预测向量O与E_h相乘，得到一个大小为7维的向量/>即M＝OE_h。

步骤7：将大小为7维的向量M代入SoftMax函数后得到待识别信号为每个干扰类型的概率值y_i，

其中，M_i为M中第i个元素，所有的y_i组成的向量y是前向传递的最终输出，向量y中最大值元素所对应的信号类型即为所要识别的信号的类型。

图3为本发明方法的框架示意图，表示了基于知识图谱的线性变换前馈网络的信息传递过程，对应步骤3～7。与BP神经网络类似，本发明方法根据网络输出与输入样本标签构建损失函数，再使用梯度下降算法不断的向隐藏层和输出层的权重和偏置参数的负梯度方向调整，使得损失函数降到最小。在信息不断的前向传递与误差的反向传播的过程中，使得模型参数得到优化，最终找到合适的参数值使得模型能够完成信号识别的任务。而本发明使用的损失函数为交叉熵损失函数，其定义如下：

其中，y为输入样本的标签向量，即输入样本对应的信号类型的独热编码，为线性变换层的输出向量，y_i与/>分别表示y与/>中的第i个元素。

为了验证本发明提出的基于知识图谱和Softmax回归的干扰信号识别方法在干扰信号识别方面的优越性，将其与BP神经网络和Softmax回归算法的识别性能进行了对比。本发明方法与BP神经网络和Softmax回归算法一样是一种有监督的机器学习算法，其在训练阶段都需要输入大量带标签的样本数据，因此需要仿真生成数据集作为训练素材。对于Softmax回归和BP神经网络两种分类器，在训练阶段都需要输入大量带标签的样本数据，因此本发明需要仿真生成数据集作为训练素材。仿真在直接序列扩频通信系统中进行，直扩通信系统的参数设置如下表1所示：

表1直扩通信系统参数设置

在仿真时，将正常的通信信号混合高斯白噪声和6种干扰类型中的任意一种，当然还包括一种不含任何干扰的通信信号，所以一共是7种样本类型。在不同的干信比下，为7种样本类型分别生成100个干扰信号，并提取其多维的特征参数作为训练素材，其中干信比设置的范围是[-5dB:1dB:10dB]。在不同的干信比下，为7种样本类型分别生成100个信号，总计11200个信号，并提取其多维的特征参数作为模型的输入。6种干扰类型的参数如下表2：

表2干扰类型参数设置

仿真实验1：不同算法的整体识别准确率与训练样本数量变化的关系

分类器性能的优劣一般由两方面体现出来，一方面是分类的准确率，另一方面是训练所需要的样本量。所以分类准确率更高且需求的训练量更小的分类器性能更加优越。在训练本发明方法、Softmax回归算法和BP神经网络时，将输入的样本数进行一个递进式的调整，观察本发明方法的识别准确率的变化情况。对直接扩频通信系统中各种类型的干扰信号提取多维特征参数，作为模型输入，并采用相同的训练方法对本发明方法、Softmax回归算法和BP神经网络的干扰识别性能分析。本实验从训练集的样本数量与模型整体识别准确率的关系角度来衡量模型的性能。图4为三种方法的整体识别准确率与训练样本数量的关系，图中横坐标表示训练集中每种干信比下每种干扰类型样本的数量，其数值的大小直接反映了训练数据的多少,整体识别准确率指在给定训练量下三种方法在干信比范围[-5dB:1dB:10dB]内分别对干扰信号进行识别的正确率。由图4可知，当样本数量大于10时，本发明将知识图谱和Softmax回归相结合方法的干扰信号识别准确率优于Softmax回归算法和BP神经网络，这表明将包含有关各种干扰信号识别的经验与规律的知识图谱作为一种辅助信息引入到传统的Softmax回归模型中有利于提升模型的识别性能。当样本数量等于10时即在训练样本极少的情况下，Softmax回归算法的识别准确率将略高于引入知识图谱的Softmax回归算法。这是因为相对于改进的Softmax回归模型，传统Softmax回归模型参数更少，模型更简单，因此过拟合现象会得到适当缓解，但本发明方法的过拟合现象也并不严重。

仿真实验2：不同算法的整体识别准确率与干信比的变化关系

图5为不同算法在样本数量都为80的情况下整体识别准确率与干信比的关系图，由图5可知，当训练集中信号的干信比较小的时候，三种方法的识别准确率都有所下降。这是由于在低干信比时，训练集中不同类型的信号所提取出的特征参数的区别并不那么明显，导致识别难度上升，识别准确率下降。当训练集中的信号干信比较大时，三种方法的识别准确率都在较高的水平。从总体上看，联合知识图谱和Softmax回归的干扰识别方法的对各类型的干扰信号识别准确率都要高于传统的BP神经网络和Softmax回归方法，从而验证了将知识图谱作为一种辅助信息引入到传统的Softmax回归干扰识别模型中有利于提升模型的识别性能。由于训练集中存在宽带BPSK干扰类型和不含任何干扰的BPSK调制通信信号类型，当宽带BPSK干扰信号功率远大于正常的通信信号时，此时宽带BPSK干扰类型所提取出的特征参数与不含任何干扰的通信信号类型相差不大，三种方法均可能存在容易错分上述两种类型的情况，从而导致三种方法在干信比高于7dB时识别准确率有轻微波动。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，包括以下步骤：

步骤1：分别提取干扰信号和不含干扰的通信信号的特征参数，按照“实体-属性-属性值”的三元组形式构建知识图谱，并将其存储于neo4j图数据库中用于可视化展示；所述三元组的实体为信号类型，属性为特征参数类型，分别为各特征参数设置阈值，若某特征参数的数值大于相应阈值，则该特征参数对应的属性值为高，否则为低；

步骤2：将步骤1中构建的知识图谱转换为以“头实体-关系-尾实体”的三元组形式构建的知识图谱，头实体与实体对应，关系与属性对应，尾实体与属性值对应；

步骤3：利用TransR算法分别将知识图谱中的实体和关系嵌入为向量，以获得知识图谱中头实体对应的向量，以及知识图谱中关系对应的嵌入向量；

步骤4：提取待识别信号的特征参数并做归一化处理，获得归一化的特征参数值；

步骤5：分别将知识图谱中关系对应的嵌入向量与归一化的特征参数值对应相乘，并将所得结果向量依次头尾拼接得到的向量作为神经网络线性变换层的输入；

步骤6：将知识图谱中头实体对应的向量按列组成矩阵，并将神经网络线性变换层输出的预测向量与该组成矩阵相乘，得到向量M；

步骤7：将步骤6所得向量M代入Softmax函数，获取待识别信号属于每个信号类型的概率值，概率值最大的信号类型即为待识别信号的类型。

2.如权利要求1所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，所述步骤1中，干扰信号的类型包括单音连续波干扰、宽带梳状谱干扰、线性调频干扰、脉冲干扰、窄带随机二元码调制干扰和宽带随机二元码调制干扰，特征参数的类型包括能限因子、归一化频谱之3dB带宽、归一化频谱峰度系数、归一化频谱冲激部分标准差、时域峰均比和分数阶傅里叶域能量聚集度差别。

3.如权利要求1所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，所述步骤3中，利用TransR算法分别将知识图谱中的实体与关系嵌入为向量，具体公式如下：

h_r＝hM_r，

t_r＝tM_r，

其中，对于知识图谱中的每一个关系r都需要设置一个投影矩阵M_r，其作用是将每个头实体h和尾实体t从实体空间投影到关系空间中分别得到对应的h_r和t_r，通过不断调整向量h、r、t和M_r使h_r+r与t_r逐渐逼近，f_r(h，t)为得分函数，L为损失函数，γ为损失函数的超参数，在训练时通过采用将正确的三元组集合s中三元组(h，r，t)的头实体h或尾实体t随机替换的负采样方式组成错误的三元组(h’，r，t’)，从而构成错误的三元组集合S’。

4.如权利要求1所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，所述步骤3中，利用TransR算法分别将知识图谱中的实体与关系嵌入为向量，知识图谱中头实体对应的向量分别为知识图谱中关系对应的嵌入向量分别为所述步骤5中，神经网络线性变换层的输入向量分别为归一化的特征参数值，/>表示向量拼接。

5.如权利要求1或4所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，步骤5中所述神经网络线性变换层包括输入层、隐藏层、输出层，输入层的单元数为60，隐藏层的单元数为15，输出层的单元数为10；步骤6中所述预测向量且0＝＝HW_o+b_o，其中H为隐藏层的输出且/>W_h与b_h分别为隐藏层的权重参数和偏置参数，W_o与b_o分别为输出层的权重参数和偏置参数。

6.如权利要求5所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，所述神经网络线性变换层训练时的损失函数为交叉熵损失函数，其定义如下：

其中，y为输入样本的标签向量，即输入样本对应的信号类型的独热编码，为线性变换层的输出向量，y_i与/>分别表示y与/>中的第i个元素。

7.如权利要求5所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，步骤6中向量M＝OE_h且E_h为知识图谱中头实体对应的向量E_h1，E_h2，E_h3，...，E_h7按列组成的矩阵且/>步骤7中将向量M代入Softmax函数，得到

其中，M_i为M中的第i个元素，y_i为待识别信号属于第i个信号类型的概率值。