CN113688655A - 干扰信号的识别方法、装置、计算机设备和存储介质 - Google Patents

干扰信号的识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113688655A
CN113688655A CN202010423465.3A CN202010423465A CN113688655A CN 113688655 A CN113688655 A CN 113688655A CN 202010423465 A CN202010423465 A CN 202010423465A CN 113688655 A CN113688655 A CN 113688655A
Authority
CN
China
Prior art keywords
signal
image
interference
frequency
classification information
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.)
Granted
Application number
CN202010423465.3A
Other languages
English (en)
Other versions
CN113688655B (zh
Inventor
段超伟
张健
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.)
Guangzhou Haige Communication Group Inc Co
Original Assignee
Guangzhou Haige Communication Group Inc Co
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 Guangzhou Haige Communication Group Inc Co filed Critical Guangzhou Haige Communication Group Inc Co
Priority to CN202010423465.3A priority Critical patent/CN113688655B/zh
Publication of CN113688655A publication Critical patent/CN113688655A/zh
Application granted granted Critical
Publication of CN113688655B publication Critical patent/CN113688655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种干扰信号的识别方法、装置、计算机设备和存储介质。包括：获取干扰信号的频域图像和时频图像；分别将频域图像以及时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到第一信号识别模型输出的第一分类信息矩阵以及第二信号识别模型输出的第二分类信息矩阵；根据第一信号识别模型的权重以及第二信号识别模型的权重，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，得到干扰信号的融合分类信息矩阵；将融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为干扰信号的类型识别结果。本申请通过两种识别模型的识别提高了对不同类型干扰信号的特征提取效率，融合后的矩阵提高了对干扰信号的识别率。

Description

干扰信号的识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及信息通信技术领域，特别是涉及一种干扰信号的识别方法、装置、计算机设备和存储介质。
背景技术
随着电子对抗的手段逐渐升级，出现了例如单音干扰、多音干扰、调频干扰、跟踪干扰等的电子干扰技术，产生的电子干扰信号通常具有功率大、时间短、随机的特点，一旦接收机遭到干扰，极易对接收到的有用信号造成损伤，通信系统的整体性能也将迅速下降。
在面对上述电子干扰时，通常将接收到的未知类型的干扰信号与本地数据库中已知类型的干扰信号进行匹配度计算，从而检测识别出干扰信号的类型。但是当同时面对多种干扰时，这种基于匹配度的识别方法很难从中提取出统一的信号特征，导致干扰信号的识别率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高干扰信号的识别率的干扰信号的识别方法、装置、计算机设备和存储介质。
一种干扰信号的识别方法，所述方法包括：
获取干扰信号的频域图像和时频图像；
分别将所述频域图像以及所述时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到所述第一信号识别模型输出的第一分类信息矩阵以及所述第二信号识别模型输出的第二分类信息矩阵；
根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵；
将所述融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为所述干扰信号的类型识别结果。
在其中一个实施例中，所述获取干扰信号的频域图像和时频图像，包括：
接收待识别的干扰信号；
分别对所述干扰信号进行傅里叶变换处理以及短时傅里叶变换处理，得到所述干扰信号的频域灰度图像以及时频灰度图像；
分别对所述频域灰度图像以及所述时频灰度图像进行图像预处理，得到所述干扰信号的频域图像和时域图像。
在其中一个实施例中，所述分别对所述干扰信号进行傅里叶变换处理以及短时傅里叶变换处理，得到所述干扰信号的频域灰度图像以及时频灰度图像，包括：
分别对所述频域灰度图像以及所述时频灰度图像进行缩放处理，得到设定大小的频域灰度图像和时频灰度图像；
分别确定所述设定大小的频域灰度图像和时频灰度图像的二值化阈值，根据所述二值化阈值对所述设定大小的频域灰度图像和时频灰度图像进行二值化处理；
对二值化处理后的所述频域灰度图像以及所述时频灰度图像进行中值滤波处理，得到所述干扰信号的频域图像和时域图像。
在其中一个实施例中，在根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵之前，还包括：
获取所述第一信号识别模型的第一干扰信号识别率以及所述第二信号识别模型的第二干扰信号识别率；
将所述第一干扰信号识别率与目标识别率之间的比值，作为所述第一信号识别模型的权重；所述目标识别率为所述第一干扰信号识别率以及所述第二干扰信号识别率之和；
将所述第二干扰信号识别率与所述目标识别率之间的比值，作为所述第二信号识别模型的权重。
在其中一个实施例中，所述根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵，包括：
将所述第一分类信息矩阵与所述第一信号识别模型的权重进行相乘运算，得到第一融合矩阵；
将所述第二分类信息矩阵与所述第二信号识别模型的权重进行相乘运算，得到第二融合矩阵；
将所述第一融合矩阵与所述第二融合矩阵进行相加，得到所述干扰信号的融合分类信息矩阵。
在其中一个实施例中，所述预先训练的第一信号识别模型通过下述方式训练得到：
采集样本干扰信号的频域图像，根据所述样本干扰信号的频域图像，构建所述样本干扰信号的频域图像训练集和频域图像测试集；
根据所述频域图像训练集，对待训练的第一信号识别模型进行训练，得到训练后的第一信号识别模型；
获取所述训练后的第一信号识别模型对所述频域图像测试集的干扰识别率；
若所述干扰识别率的单次训练变化值大于第一预设阈值或训练次数小于第一预设训练次数，则根据所述频域图像训练集对所述待训练的第一信号识别模型进行再次训练，直到所述干扰识别率的单次训练变化值小于或者等于所述第一预设阈值以及所述训练次数大于或者等于第一预设训练次数时，则将所述第一信号识别模型作为所述预先训练的第一信号识别模型。
在其中一个实施例中，所述预先训练的第二信号识别模型通过下述方式训练得到：
采集样本干扰信号的时频图像，根据所述样本干扰信号的时频图像，构建所述样本干扰信号的时频图像训练集和时频图像测试集；
根据所述时频图像训练集，对待训练的第二信号识别模型进行训练，得到训练后的第二信号识别模型；
获取所述训练后的第二信号识别模型对所述时频图像测试集的干扰识别率；
若所述干扰识别率的单次训练变化值大于第二预设阈值或训练次数小于第二预设训练次数，则根据所述频域图像训练集对所述待训练的第二信号识别模型进行再次训练，直到所述干扰识别率的单次训练变化值小于或者等于所述第二预设阈值以及所述训练次数大于或者等于第二预设训练次数时，则将所述第二信号识别模型作为所述预先训练的第二信号识别模型。
一种干扰信号的识别装置，所述装置包括：
图像获取模块，用于获取干扰信号的频域图像和时频图像；
矩阵输出模块，用于分别将所述频域图像以及所述时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到所述第一信号识别模型输出的第一分类信息矩阵以及所述第二信号识别模型输出的第二分类信息矩阵；
矩阵融合模块，用于根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵；
干扰识别模块，用于将所述融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为所述干扰信号的类型识别结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取干扰信号的频域图像和时频图像；
分别将所述频域图像以及所述时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到所述第一信号识别模型输出的第一分类信息矩阵以及所述第二信号识别模型输出的第二分类信息矩阵；
根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵；
将所述融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为所述干扰信号的类型识别结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取干扰信号的频域图像和时频图像；
分别将所述频域图像以及所述时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到所述第一信号识别模型输出的第一分类信息矩阵以及所述第二信号识别模型输出的第二分类信息矩阵；
根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵；
将所述融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为所述干扰信号的类型识别结果。
上述干扰信号的识别方法、装置、计算机设备和存储介质，方法包括：获取干扰信号的频域图像和时频图像；分别将频域图像以及时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到第一信号识别模型输出的第一分类信息矩阵以及第二信号识别模型输出的第二分类信息矩阵；根据第一信号识别模型的权重以及第二信号识别模型的权重，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，得到干扰信号的融合分类信息矩阵；将融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为干扰信号的类型识别结果。本申请首先通过获取待识别的干扰信号，分别通过预先训练好的第一识别模型以及第二识别模型进行识别，将识别得到的分类信息矩阵进行融合，根据融合后的矩阵确定类型识别结果；两种识别模型的识别提高了对不同类型干扰信号的特征提取效率，融合后的矩阵提高了对于干扰信号的识别率。
附图说明
图1为一个实施例中干扰信号的识别方法的应用环境图；
图2为一个实施例中干扰信号的识别方法的流程示意图；
图3为一个实施例中第一信号识别模型以及第二信号识别模型的神经网络结构框图；
图4为一个实施例中获取干扰信号的频域图像和时频图像步骤的方法的流程示意图；
图5为一个实施例中对干扰信号进行傅里叶变换处理以及短时傅里叶变换处理，得到干扰信号的频域灰度图像以及时频灰度图像步骤的方法的流程示意图；
图6为一个实施例中第一信号识别模型以及第二信号识别模型的权重确定步骤的方法的流程示意图；
图7为一个实施例中得到干扰信号的融合分类信息矩阵步骤的方法的流程示意图；
图8为一个实施例中预先训练的第一信号识别模型获得方法的流程示意图；
图9为一个实施例中预先训练的第二信号识别模型获得方法的流程示意图；
图10为一个实施例中干扰信号的识别流程示意图以及信号识别模型的训练示意图；
图11为一个实施例中干扰信号的识别装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的干扰信号的识别方法，可以应用于如图1所示的应用环境中。其中，终端11通过网络与服务器12进行通信。服务器12获取终端11通过网络发送的干扰信号数据，服务器12根据获取到的干扰信号数据处理得到干扰信号的频域图像和时频图像；服务器12分别将频域图像以及时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到第一信号识别模型输出的第一分类信息矩阵以及第二信号识别模型输出的第二分类信息矩阵；服务器12根据第一信号识别模型的权重以及第二信号识别模型的权重，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，得到干扰信号的融合分类信息矩阵；服务器12将融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为干扰信号的类型识别结果；服务器12在得到干扰信号的类型识别结果后，可以通过网络将该结果发送至终端11进行确认。
需要说明的是，作为优选实施例，还可以在终端侧完成从干扰信号数据到干扰信号的频域图像和时频图像的处理过程；即终端11直接通过网络向服务器12发送处理后的干扰信号的频域图像和时频图像，服务器12在接收到终端11发送的数据后对该数据类型进行判断，若判断为已经是干扰信号的频域图像和时频图像时，进行图像参数的相关调整操作(例如调整图像尺寸等)即可。
其中，终端11可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器12可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种干扰信号的识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤21，获取干扰信号的频域图像和时频图像。
具体地，服务器在从终端主动获取或被动接收到干扰信号后，首先需要通过傅里叶变换以及短时傅里叶变换对收到的干扰信号分别进行处理，并在二维平面绘制出的相应的时频灰度图像以及频域灰度图像；之后可以将得到的时频灰度图像以及频域灰度图像进行尺寸归一化，统一各个图像的像素尺寸，通过选取合适的阈值对统一了像素尺寸后的时频灰度图像以及频域灰度图像，进行二值化处理；经二值化处理过的图像经过中值滤波，即可得到神经网络进行分类所需的频域图像以及时频图像。
也就是说，服务器获取到的干扰信号后，是需要将其分别转换为频域图像以及时频图像分开处理的，即将一个信号转换为两种图像后分别利用不同的信号识别模型进行识别得到干扰信号的类型识别结果。
可选的，服务器可以对接收到的数据进行类型检测；例如若判断接收到的数据是与干扰信号对应的时频灰度图像以及频域灰度图像，可直接进行尺寸归一化、二值化处理以及中值滤波处理得到干扰信号的频域图像和时频图像。
本步骤服务器根据干扰信号获取与干扰信号对应的频域图像以及时频图像，获取图像的过程包括对干扰信号进行多项处理，处理后分别得到了可以被两个信号识别模型所需的图像数据。对图像进行统一化的处理提高了模型对图像进行分类的速度，易于从中提取出统一的信号特征，提高了干扰信号的识别率。
步骤22，分别将频域图像以及时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到第一信号识别模型输出的第一分类信息矩阵以及第二信号识别模型输出的第二分类信息矩阵。
具体地，第一信号识别模型可以通过包含有大量频域图像的频域图像训练集进行训练得到，同样的第二信号识别模型可以通过包含有大量时频图像的时频图像训练集进行训练得到；在训练的过程中，当第一信号识别模型以及第二信号识别模型的对于干扰信号的识别率不再发生明显的变化时且训练次数均达到各自对应的最小训练次数时，即可认为第一信号识别模型以及第二信号识别模型训练完成，可以进行对获取到的干扰信号的识别；识别率的变化程度可以通过与各自的预设阈值进行对比进行判断。
进一步地，如图3所示，第一信号识别模型以及第二信号识别模型是两个卷积神经网络，神经网络中主要包括：卷积层、降采样层、全连接层以及NN层(即神经网络层)；两个卷积神经网络均包含三层卷积层、三层降采样层、一层全连接层以及输入输出层。其中，卷积层数量分别为16、32、64，卷积核大小分别为5*5、5*5、4*4，降采样层大小均为2*2。需要说明的是，上述对神经网络结构的描述不用于限制本申请，可以根据实际需要对神经网络即第一信号识别模型以及第二信号识别模型进行结构或者其他调整。
其中，卷积层用于将大小为p*q的卷积核矩阵K在图像矩阵I(x,y)上进行遍历卷积；卷积层的处理过程如下式所示：
Figure BDA0002497823810000081
降采样层用于对频域图像以及时频图像进行聚合处理，以减少图像特征降低模型过拟合；降采样层的处理过程是将特征图分割为若干互不重叠的区域，再取区域内的最大值作为新的聚合特征值构成新的特征图。
全连接层用于将所有特征图局部特征展开，送入下一层神经网络进行分类识别；
NN层用于分类识别，输出第一分类信息矩阵或者第二分类信息矩阵。NN层中的神经元可以采用Relu函数，神经元函数的表达式为：
y＝max(0,ax+b)；
式中，x、y分别为神经元的输入和输出，a、b分别为神经元的权重和偏置。
另外，分类信息矩阵I为一个N维的列向量，其中，N表示模型可识别的干扰类型数(例如，假设卷积神经网络模型训练中包含有单音干扰、多音干扰、线性调频干扰、余弦调频干扰以及混合干扰，则模型可识别的干扰类型数为5，即N＝5)，分类信息矩阵I中每个元素的值表示对应干扰类型的置信度，其值均大于等于0，且值越大表示输入的干扰为对应干扰类型的可能性越高。也就是说，I中最大元素对应的干扰类型即为单个信号识别模型对干扰信号检测识别后得到的结果。
本步骤通过预先训练的第一信号识别模型以及第二信号识别模型，能够将分别输入各个信号识别模型的图像进行识别，经过模型的神经网络进行处理后得到对应的分类信息矩阵，根据分类信息矩阵可以对干扰信号进行识别，两种识别模型的识别提高了对不同类型干扰信号的特征提取效率，融合后的矩阵提高了对于干扰信号的识别率。
步骤23，根据第一信号识别模型的权重以及第二信号识别模型的权重，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，得到干扰信号的融合分类信息矩阵。
具体地，输出融合的权重是通过统计训练好的第一信号识别模型以及第二信号识别模型对不同类型干扰信号的识别率得到，且权重因子之和为1。
由于第一信号识别模型以及第二信号识别模型输出的第一分类信息矩阵以及第二分类信息矩阵中的元素分别标识该干扰信号在各个模型中的置信度，因此根据第一信号识别模型的权重以及第二信号识别模型的权重，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理得到的融合分类信息矩阵能够将两个信号识别模型得到的分类信息矩阵融合成一个分类信息矩阵，从融合后的干扰信号的融合分类信息矩阵中确定出的干扰类型即是与输入的干扰信号的频域图像和时频图像对应的识别结果。
本步骤通过将第一信号识别模型以及第二信号识别模型输出的分类信息矩阵，根据各个模型对应的权重进行融合，得到一个总的融合分类信息矩阵，便于对干扰信号的识别结果进行判断，两种识别模型的识别提高了对不同类型干扰信号的特征提取效率，融合后的矩阵提高了对于干扰信号的识别率和识别速度。
步骤24，将融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为干扰信号的类型识别结果。
具体地，由于第一信号识别模型以及第二信号识别模型输出的分类信息矩阵中各个元素均标识了相应的干扰类型，元素的值越大则说明输入为对应干扰类型的可能性就越大，因此将第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，通过寻找融合分类信息矩阵中的最大值即可得到对干扰信号的识别结果，其中最大值元素对应在融合分类信息矩阵中的位置即标识了干扰信号的具体类型；例如，若第一分类信息矩阵[i1，i2，i3，i4]中的元素i1、i2、i3、i4分别表示单音干扰、多音干扰、线性调频干扰以及余弦调频干扰的置信度，当i1＝1，i2,i3,i4＝0时，说明此时输入干扰为单音干扰的可能性最高，上述举例在第二分类信息矩阵以及融合分类信息矩阵中同理可得。
本步骤通过在融合分类信息矩阵寻找最大值元素所在的位置确定出对应的干扰类型，得到了干扰信号的类型识别结果，完成了对干扰信号的识别；两种识别模型的识别提高了对不同类型干扰信号的特征提取效率，融合后的矩阵提高了对于干扰信号的识别率。
上述干扰信号的识别方法中，通过获取干扰信号的频域图像和时频图像；分别将频域图像以及时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到第一信号识别模型输出的第一分类信息矩阵以及第二信号识别模型输出的第二分类信息矩阵；根据第一信号识别模型的权重以及第二信号识别模型的权重，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，得到干扰信号的融合分类信息矩阵；将融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为干扰信号的类型识别结果。本申请首先通过获取待识别的干扰信号，分别通过预先训练好的第一识别模型以及第二识别模型进行识别，实现对更复杂多样的干扰模式的准确识别。将识别得到的分类信息矩阵进行融合，根据融合后的矩阵确定类型识别结果；两种识别模型的识别提高了对不同类型干扰信号的特征提取效率，融合后的矩阵提高了对于干扰信号的识别率。同时，在相同检测识别性能的条件下，相比于传统的干扰检测识别方案，信噪比门限和干信比门限更低。
在一个实施例中，如图4所示，上述步骤21，获取干扰信号的频域图像和时频图像，包括：
步骤41，接收待识别的干扰信号；
步骤42，分别对干扰信号进行傅里叶变换处理以及短时傅里叶变换处理，得到干扰信号的频域灰度图像以及时频灰度图像；
步骤43，分别对频域灰度图像以及时频灰度图像进行图像预处理，得到干扰信号的频域图像和时域图像。
其中，短时傅里叶变换(STFT，short-time Fourier transform，或short-termFourier transform))是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。短时傅里叶变换的处理思想是：选择一个时频局部化的窗函数，假定分析窗函数g(t)在一个短时间隔内是平稳(伪平稳)的，移动窗函数，使f(t)g(t)在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。短时傅里叶变换使用一个固定的窗函数，窗函数一旦确定了以后，其形状就不再发生改变，短时傅里叶变换的分辨率也就确定了。
具体地，服务器获取待识别的干扰信号的方式可以是各类终端设备主动输入，也可以是服务器从各类终端设备中主动采集获取。
对一个干扰信号s(t)进行傅里叶变换处理以及短时傅里叶变换处理的表达式分别为：
Figure BDA0002497823810000111
Figure BDA0002497823810000121
其中，g(τ)是一窗函数，作用是保持在时域为有限长，可以采用凯撒窗(Kaiser)，凯撒窗的窗函数表达式为
Figure BDA0002497823810000122
其中，I0(·)是第一类变形零阶贝塞尔函数，β是一个可以自由选择的参数，它可以同时调整主瓣宽度和旁瓣电平，这里可以取值为5。
对干扰信号进行傅里叶变换处理，得到干扰信号的频域灰度图像的具体步骤是：对干扰信号序列进行傅里叶变换，将变换得到的频谱进行绘制得到频域灰度图像；
对干扰信号进行短时傅里叶变换处理，得到干扰信号的时频灰度图像的具体步骤是：将干扰信号序列在时域加大小为256的凯撒窗，同时对加窗的信号序列进行傅里叶变换，通过窗函数在时间轴上的移动得到各个时间段的频谱信息，最后将各时间段的频谱信息在时频二维平面绘制得到时频灰度图像。
图像预处理即是对得到的频域灰度图像以及时频灰度图像进行尺寸上的调整，以及二值化操作，预处理后的频域灰度图像以及时频灰度图像可以直接被第一信号识别模型以及第二信号识别模型识别利用。
本实施例通过傅里叶变化和对短时傅里叶变换分别将干扰信号转换为频域灰度图像以及时频灰度图像，在进行图像预处理后得到可以直接被第一信号识别模型以及第二信号识别模型识别利用的图像数据，提高了对于干扰信号的识别效率以及识别率。
在一个实施例中，如图5所示，上述步骤42，分别对干扰信号进行傅里叶变换处理以及短时傅里叶变换处理，得到干扰信号的频域灰度图像以及时频灰度图像，包括：
步骤51，分别对频域灰度图像以及时频灰度图像进行缩放处理，得到设定大小的频域灰度图像和时频灰度图像；
步骤52，分别确定设定大小的频域灰度图像和时频灰度图像的二值化阈值，根据二值化阈值对设定大小的频域灰度图像和时频灰度图像进行二值化处理；
步骤53，对二值化处理后的频域灰度图像以及时频灰度图像进行中值滤波处理，得到干扰信号的频域图像和时域图像。
具体地，可以采用双三次插值法对图像大小进行缩放，可以根据实际需要选择缩放的像素尺寸，例如64*64像素。
可以通过全局二值化或局部二值化对频域灰度图像和时频灰度图像进行处理，例如Ostu算法就是一种全局二值化算法，又叫最大类间方差，通过Ostu算法选取最佳阈值缩放后的频域灰度图像和时频灰度图像的最佳阈值作为二值化处理的目标阈值。通过统计整个图像的直方图特性来实现全局阈值T的自动选取，基本原理是根据阈值T将图像中的像素点分为两类，不断的调整阈值T，之后若此时两类之间存在最大的类间方差，那么此阈值即是最佳阈值。
Ostu算法的其中一种具体步骤可以是：首先1)计算图像的直方图，即将图像所有的像素点按照0～25共256个bin，统计落在每个bin的像素点数量；2)归一化直方图，将每个bin中像素点数量除以总的像素点；3)i表示分类的阈值，也即一个灰度级，从0开始迭代；4)通过归一化的直方图，统计0～i灰度级的像素(假设像素值在此范围的像素叫做前景像素)所占整幅图像的比例w0，统计前景像素的平均灰度u0；5)统计i～255灰度级的像素(假设像素值在此范围的像素叫做背景像素)所占整幅图像的比例w1，并统计背景像素的平均灰度u1；计算前景像素和背景像素的方差g＝w0×w1×(u0-u1)(u0-u1)，直到i为256时结束迭代；6)将最大g相应的值作为图像的全局阈值，即最佳阈值，也即二值化阈值。
利用上述二值化阈值对图像进行二值化处理后，再对二值化处理后的图像进行中值滤波即得到干扰信号的频域图像和时域图像。
本实施例通过对频域灰度图像以及时频灰度图像进行缩放处理，对设定大小的频域灰度图像和时频灰度图像进行二值化处理，进行中值滤波处理后得到干扰信号的频域图像和时域图像，将干扰信号的频域灰度图像以及时频灰度图像进行统一，提高了第一信号识别模型以及第二信号识别模型对于干扰信号的识别效率以及识别率。
在一个实施例中，如图6所示，上述步骤23，在根据第一信号识别模型的权重以及第二信号识别模型的权重，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，得到干扰信号的融合分类信息矩阵之前，还包括：
步骤61，获取第一信号识别模型的第一干扰信号识别率以及第二信号识别模型的第二干扰信号识别率；
步骤62，将第一干扰信号识别率与目标识别率之间的比值，作为第一信号识别模型的权重；目标识别率为第一干扰信号识别率以及第二干扰信号识别率之和；
步骤63，将第二干扰信号识别率与目标识别率之间的比值，作为第二信号识别模型的权重。
具体地，第一信号识别模型的第一干扰信号识别率以及第二信号识别模型的第二干扰信号识别率，是在对第一信号识别模型以及第二信号识别模型进行训练时，输入的频域图像测试集以及时频图像测试集后得到的识别率数据。
第一干扰信号识别率为P1，第二干扰信号识别率为P2，则目标识别率为P1+P2；第一信号识别模型的权重w1＝P1/(P1+P2)，同理第二信号识别模型的权重w2＝P2/(P1+P2)。
本实施例通过获取第一信号识别模型的第一干扰信号识别率以及第二信号识别模型的第二干扰信号识别率分别确定出第一信号识别模型的权重以及第二信号识别模型的权重，为两模型进行融合提供数据支撑和融合依据。
在一个实施例中，如图7所示，上述步骤23，根据第一信号识别模型的权重以及第二信号识别模型的权重，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，得到干扰信号的融合分类信息矩阵，包括：
步骤71，将第一分类信息矩阵与第一信号识别模型的权重进行相乘运算，得到第一融合矩阵；
步骤72，将第二分类信息矩阵与第二信号识别模型的权重进行相乘运算，得到第二融合矩阵；
步骤73，将第一融合矩阵与第二融合矩阵进行相加，得到干扰信号的融合分类信息矩阵。
具体地，第一分类信息矩阵D1，第二分类信息矩阵D2，第一融合矩阵为D1.*w1，第二融合矩阵为D2.*w2；第一融合矩阵与第二融合矩阵进行相加，得到干扰信号的融合分类信息矩阵Dc＝D1.*w1+D2.*w2。
融合分类信息矩阵中各个元素标识了相应的干扰信号的类型，元素的值越大则说明输入的干扰信号的识别结果为对应干扰类型的可能性就越大，通过寻找融合分类信息矩阵Dc中的最大值即可得到干扰信号的识别结果，最大值元素对应在矩阵中的位置即标识了对应干扰的类型。
本实施例根据各个信号识别模型的权重将其进行加权融合，得到最终用于准确识别干扰信号类型的融合分类信息矩阵，两种识别模型的识别提高了对不同类型干扰信号的特征提取效率，融合后的矩阵提高了对于干扰信号的识别率。
在一个实施例中，如图8所示，预先训练的第一信号识别模型通过下述方式训练得到：
步骤81，采集样本干扰信号的频域图像，根据样本干扰信号的频域图像，构建样本干扰信号的频域图像训练集和频域图像测试集；
步骤82，根据频域图像训练集，对待训练的第一信号识别模型进行训练，得到训练后的第一信号识别模型；
步骤83，获取训练后的第一信号识别模型对频域图像测试集的干扰识别率；
步骤84，若干扰识别率的单次训练变化值大于第一预设阈值或训练次数小于第一预设训练次数，则根据频域图像训练集对待训练的第一信号识别模型进行再次训练，直到干扰识别率的单次训练变化值小于或者等于第一预设阈值以及训练次数大于或者等于第一预设训练次数时，则将第一信号识别模型作为预先训练的第一信号识别模型。
具体地，首先采集样本干扰信号的频域图像，频域图像的获取方式同样可以是通过获取大量已知类型的干扰信号样本，经过傅里叶变换后进行图像预处理后得到样本干扰信号的频域图像；每张图像需要分别标记干扰信号的对应类型；将标记好类型后的频域图像均分为两部分，一部分作为对待训练的第一信号识别模型进行训练，调整神经网络参数的频域图像训练集，另一部分用作每次迭代训练后的频域图像测试集，用于统计第一信号识别模型的干扰识别率。
需要说明的是，样本干扰信号的频域图像数量可以根据实际需要进行设置，同时构建样本干扰信号的频域图像训练集和频域图像测试集时没有具体限制比例，同一张频域图像既可以用作对模型进行训练也可以用作统计模型的识别率。
单次训练变化值是第一信号识别模型本次训练的干扰识别率与前一次训练的识别率的差的绝对值；当测试中的第一信号识别模型当前的干扰识别率与前一次训练的干扰识别率之间的差的绝对值小于第一预设阈值，且当前的训练次数大于等于第一预设训练次数，此时可以确认第一信号识别模型已达到最优，可以停止迭代训练。例如第一预设阈值为0.5％，第一预设训练次数为10000，当第一信号识别模型第n次训练的干扰识别率为96％，第n-1次训练的干扰识别率为95.8％，当前已经进行的训练次数为12000次时，则可确认第一信号识别模型已达到最优，得到预先训练的第一信号识别模型。
本实施例通过同样的图像处理方式得到样本频域图像，同时构建出图像训练集和图像测试集对第一信号识别模型进行训练，以及训练进度的确定，保证第一信号识别模型能够识别出已经进行过训练的干扰信号类型，提高了对于干扰信号的识别率。
在一个实施例中，如图9所示，预先训练的第二信号识别模型通过下述方式训练得到：
步骤91，采集样本干扰信号的时频图像，根据样本干扰信号的时频图像，构建样本干扰信号的时频图像训练集和时频图像测试集；
步骤92，根据时频图像训练集，对待训练的第二信号识别模型进行训练，得到训练后的第二信号识别模型；
步骤93，获取训练后的第二信号识别模型对时频图像测试集的干扰识别率；
步骤94，若干扰识别率的单次训练变化值大于第二预设阈值或训练次数小于第二预设训练次数，则根据频域图像训练集对待训练的第二信号识别模型进行再次训练，直到干扰识别率的单次训练变化值小于或者等于第二预设阈值以及训练次数大于或者等于第二预设训练次数时，则将第二信号识别模型作为预先训练的第二信号识别模型。
具体地，第二信号识别模型的具体训练方式与上述第一信号识别模型相同，在此不再赘述。
本实施例通过同样的图像处理方式得到样本时频图像，同时构建出图像训练集和图像测试集对第二信号识别模型进行训练，以及确定第二信号识别模型的训练进度，保证第二信号识别模型能够识别出已经进行过训练的干扰信号类型，提高了对于干扰信号的识别率。
在一个实施例中，如图10所示，还提供一种干扰信号的识别流程示意图以及信号识别模型的训练示意图。
首先获取训练样本数据，即已知类型的干扰信号训练样本数据；对训练样本数据分别进行傅里叶变换以及短时傅里叶变换；将傅里叶变换得到的频域灰度图像进行图像预处理，具体是进行缩放处理以及二值化处理后得到样本干扰信号的频域图像；将样本干扰信号的频域图像进行构建，得到频域图像训练集和频域图像测试集；根据频域图像训练集，对待训练的第一信号识别模型进行训练，得到训练后的第一信号识别模型；同时获取训练后的第一信号识别模型对频域图像测试集的干扰识别率；当第一信号识别模型得到的干扰识别率的单次训练变化值小于或者等于第一预设阈值以及训练次数大于或者等于第一预设训练次数时，则将第一信号识别模型作为预先训练的第一信号识别模型。同理，得到预先训练的第二信号识别模型。
之后，获取到未知类型的干扰信号，对该干扰信号进行傅里叶变换处理以及短时傅里叶变换处理，得到干扰信号的频域灰度图像以及时频灰度图像；分别对频域灰度图像以及时频灰度图像进行图像预处理，得到干扰信号的频域图像和时域图像；分别对频域灰度图像以及时频灰度图像进行缩放处理，得到设定大小的频域灰度图像和时频灰度图像；分别确定设定大小的频域灰度图像和时频灰度图像的二值化阈值，根据二值化阈值对设定大小的频域灰度图像和时频灰度图像进行二值化处理；对二值化处理后的频域灰度图像以及时频灰度图像进行中值滤波处理，得到干扰信号的频域图像和时域图像。分别将频域图像以及时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到第一信号识别模型输出的第一分类信息矩阵以及第二信号识别模型输出的第二分类信息矩阵；根据第一信号识别模型的权重w1以及第二信号识别模型的权重w2，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，得到干扰信号的融合分类信息矩阵；将融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为干扰信号的类型识别结果。
应该理解的是，虽然图2、4-9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、4-9中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图11所示，提供了一种干扰信号的识别装置，其中：
图像获取模块111，用于获取干扰信号的频域图像和时频图像；
矩阵输出模块112，用于分别将频域图像以及时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到第一信号识别模型输出的第一分类信息矩阵以及第二信号识别模型输出的第二分类信息矩阵；
矩阵融合模块113，用于根据第一信号识别模型的权重以及第二信号识别模型的权重，对第一分类信息矩阵以及第二分类信息矩阵进行加权融合处理，得到干扰信号的融合分类信息矩阵；
干扰识别模块114，用于将融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为干扰信号的类型识别结果。
在一个实施例中，图像获取模块111还用于接收待识别的干扰信号；分别对干扰信号进行傅里叶变换处理以及短时傅里叶变换处理，得到干扰信号的频域灰度图像以及时频灰度图像；分别对频域灰度图像以及时频灰度图像进行图像预处理，得到干扰信号的频域图像和时域图像。
在一个实施例中，图像获取模块111还用于分别对频域灰度图像以及时频灰度图像进行缩放处理，得到设定大小的频域灰度图像和时频灰度图像；分别确定设定大小的频域灰度图像和时频灰度图像的二值化阈值，根据二值化阈值对设定大小的频域灰度图像和时频灰度图像进行二值化处理；对二值化处理后的频域灰度图像以及时频灰度图像进行中值滤波处理，得到干扰信号的频域图像和时域图像。
在一个实施例中，干扰信号的识别装置还包括识别模型权重确定模块，用于获取第一信号识别模型的第一干扰信号识别率以及第二信号识别模型的第二干扰信号识别率；将第一干扰信号识别率与目标识别率之间的比值，作为第一信号识别模型的权重；目标识别率为第一干扰信号识别率以及第二干扰信号识别率之和；将第二干扰信号识别率与目标识别率之间的比值，作为第二信号识别模型的权重、
在一个实施例中，矩阵融合模块113还用于将第一分类信息矩阵与第一信号识别模型的权重进行相乘运算，得到第一融合矩阵；将第二分类信息矩阵与第二信号识别模型的权重进行相乘运算，得到第二融合矩阵；将第一融合矩阵与第二融合矩阵进行相加，得到干扰信号的融合分类信息矩阵。
在一个实施例中，干扰信号的识别装置还包括第一模型训练模块，用于采集样本干扰信号的频域图像，根据样本干扰信号的频域图像，构建样本干扰信号的频域图像训练集和频域图像测试集；根据频域图像训练集，对待训练的第一信号识别模型进行训练，得到训练后的第一信号识别模型；获取训练后的第一信号识别模型对频域图像测试集的干扰识别率；若干扰识别率的单次训练变化值大于第一预设阈值或训练次数小于第一预设训练次数，则根据频域图像训练集对待训练的第一信号识别模型进行再次训练，直到干扰识别率的单次训练变化值小于或者等于第一预设阈值以及训练次数大于或者等于第一预设训练次数时，则将第一信号识别模型作为预先训练的第一信号识别模型。
在一个实施例中，干扰信号的识别装置还包括第二模型训练模块，用于采集样本干扰信号的时频图像，根据样本干扰信号的时频图像，构建样本干扰信号的时频图像训练集和时频图像测试集；根据时频图像训练集，对待训练的第二信号识别模型进行训练，得到训练后的第二信号识别模型；获取训练后的第二信号识别模型对时频图像测试集的干扰识别率；若干扰识别率的单次训练变化值大于第二预设阈值或训练次数小于第二预设训练次数，则根据频域图像训练集对待训练的第二信号识别模型进行再次训练，直到干扰识别率的单次训练变化值小于或者等于第二预设阈值以及训练次数大于或者等于第二预设训练次数时，则将第二信号识别模型作为预先训练的第二信号识别模型。
关于干扰信号的识别装置的具体限定可以参见上文中对于干扰信号的识别方法的限定，在此不再赘述。上述干扰信号的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储干扰信号的识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种干扰信号的识别方法。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种干扰信号的识别方法，其特征在于，所述方法包括：
获取干扰信号的频域图像和时频图像；
分别将所述频域图像以及所述时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到所述第一信号识别模型输出的第一分类信息矩阵以及所述第二信号识别模型输出的第二分类信息矩阵；
根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵；
将所述融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为所述干扰信号的类型识别结果。
2.根据权利要求1所述的方法，其特征在于，所述获取干扰信号的频域图像和时频图像，包括：
接收待识别的干扰信号；
分别对所述干扰信号进行傅里叶变换处理以及短时傅里叶变换处理，得到所述干扰信号的频域灰度图像以及时频灰度图像；
分别对所述频域灰度图像以及所述时频灰度图像进行图像预处理，得到所述干扰信号的频域图像和时域图像。
3.根据权利要求2所述的方法，其特征在于，所述分别对所述干扰信号进行傅里叶变换处理以及短时傅里叶变换处理，得到所述干扰信号的频域灰度图像以及时频灰度图像，包括：
分别对所述频域灰度图像以及所述时频灰度图像进行缩放处理，得到设定大小的频域灰度图像和时频灰度图像；
分别确定所述设定大小的频域灰度图像和时频灰度图像的二值化阈值，根据所述二值化阈值对所述设定大小的频域灰度图像和时频灰度图像进行二值化处理；
对二值化处理后的所述频域灰度图像以及所述时频灰度图像进行中值滤波处理，得到所述干扰信号的频域图像和时域图像。
4.根据权利要求1所述的方法，其特征在于，在根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵之前，还包括：
获取所述第一信号识别模型的第一干扰信号识别率以及所述第二信号识别模型的第二干扰信号识别率；
将所述第一干扰信号识别率与目标识别率之间的比值，作为所述第一信号识别模型的权重；所述目标识别率为所述第一干扰信号识别率以及所述第二干扰信号识别率之和；
将所述第二干扰信号识别率与所述目标识别率之间的比值，作为所述第二信号识别模型的权重。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵，包括：
将所述第一分类信息矩阵与所述第一信号识别模型的权重进行相乘运算，得到第一融合矩阵；
将所述第二分类信息矩阵与所述第二信号识别模型的权重进行相乘运算，得到第二融合矩阵；
将所述第一融合矩阵与所述第二融合矩阵进行相加，得到所述干扰信号的融合分类信息矩阵。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述预先训练的第一信号识别模型通过下述方式训练得到：
采集样本干扰信号的频域图像，根据所述样本干扰信号的频域图像，构建所述样本干扰信号的频域图像训练集和频域图像测试集；
根据所述频域图像训练集，对待训练的第一信号识别模型进行训练，得到训练后的第一信号识别模型；
获取所述训练后的第一信号识别模型对所述频域图像测试集的干扰识别率；
若所述干扰识别率的单次训练变化值大于第一预设阈值或训练次数小于第一预设训练次数，则根据所述频域图像训练集对所述待训练的第一信号识别模型进行再次训练，直到所述干扰识别率的单次训练变化值小于或者等于所述第一预设阈值以及所述训练次数大于或者等于第一预设训练次数时，则将所述第一信号识别模型作为所述预先训练的第一信号识别模型。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述预先训练的第二信号识别模型通过下述方式训练得到：
采集样本干扰信号的时频图像，根据所述样本干扰信号的时频图像，构建所述样本干扰信号的时频图像训练集和时频图像测试集；
根据所述时频图像训练集，对待训练的第二信号识别模型进行训练，得到训练后的第二信号识别模型；
获取所述训练后的第二信号识别模型对所述时频图像测试集的干扰识别率；
若所述干扰识别率的单次训练变化值大于第二预设阈值或训练次数小于第二预设训练次数，则根据所述频域图像训练集对所述待训练的第二信号识别模型进行再次训练，直到所述干扰识别率的单次训练变化值小于或者等于所述第二预设阈值以及所述训练次数大于或者等于第二预设训练次数时，则将所述第二信号识别模型作为所述预先训练的第二信号识别模型。
8.一种干扰信号的识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取干扰信号的频域图像和时频图像；
矩阵输出模块，用于分别将所述频域图像以及所述时频图像输入预先训练的第一信号识别模型以及第二信号识别模型，得到所述第一信号识别模型输出的第一分类信息矩阵以及所述第二信号识别模型输出的第二分类信息矩阵；
矩阵融合模块，用于根据所述第一信号识别模型的权重以及所述第二信号识别模型的权重，对所述第一分类信息矩阵以及所述第二分类信息矩阵进行加权融合处理，得到所述干扰信号的融合分类信息矩阵；
干扰识别模块，用于将所述融合分类信息矩阵中最大值元素所在位置对应的干扰类型，作为所述干扰信号的类型识别结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010423465.3A 2020-05-19 2020-05-19 干扰信号的识别方法、装置、计算机设备和存储介质 Active CN113688655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010423465.3A CN113688655B (zh) 2020-05-19 2020-05-19 干扰信号的识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010423465.3A CN113688655B (zh) 2020-05-19 2020-05-19 干扰信号的识别方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113688655A true CN113688655A (zh) 2021-11-23
CN113688655B CN113688655B (zh) 2023-12-15

Family

ID=78575806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010423465.3A Active CN113688655B (zh) 2020-05-19 2020-05-19 干扰信号的识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113688655B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776130A (zh) * 2023-08-23 2023-09-19 成都新欣神风电子科技有限公司 一种用于异常电路信号的检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7492814B1 (en) * 2005-06-09 2009-02-17 The U.S. Government As Represented By The Director Of The National Security Agency Method of removing noise and interference from signal using peak picking
US7676046B1 (en) * 2005-06-09 2010-03-09 The United States Of America As Represented By The Director Of The National Security Agency Method of removing noise and interference from signal
EP3271736A1 (en) * 2015-03-17 2018-01-24 Zynaptiq GmbH Methods for extending frequency transforms to resolve features in the spatio-temporal domain
CN110490095A (zh) * 2019-07-31 2019-11-22 中国人民解放军战略支援部队信息工程大学 一种基于神经网络的多模态特征融合调制识别方法和系统
CN110705387A (zh) * 2019-09-16 2020-01-17 上海电机学院 一种基于云模型的通信信号特征提取方法及信号识别方法
CN110927706A (zh) * 2019-12-10 2020-03-27 电子科技大学 基于卷积神经网络的雷达干扰检测识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7492814B1 (en) * 2005-06-09 2009-02-17 The U.S. Government As Represented By The Director Of The National Security Agency Method of removing noise and interference from signal using peak picking
US7676046B1 (en) * 2005-06-09 2010-03-09 The United States Of America As Represented By The Director Of The National Security Agency Method of removing noise and interference from signal
EP3271736A1 (en) * 2015-03-17 2018-01-24 Zynaptiq GmbH Methods for extending frequency transforms to resolve features in the spatio-temporal domain
US20180238943A1 (en) * 2015-03-17 2018-08-23 Zynaptiq Gmbh Methods for extending frequency transforms to resolve features in the spatio-temporal domain
CN110490095A (zh) * 2019-07-31 2019-11-22 中国人民解放军战略支援部队信息工程大学 一种基于神经网络的多模态特征融合调制识别方法和系统
CN110705387A (zh) * 2019-09-16 2020-01-17 上海电机学院 一种基于云模型的通信信号特征提取方法及信号识别方法
CN110927706A (zh) * 2019-12-10 2020-03-27 电子科技大学 基于卷积神经网络的雷达干扰检测识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MAHMOUD KHODJET-KESBA 等: "Comparison of Matrix Pencil Extracted Features in Time Domain and in Frequency Domain for Radar Target Classification", INTERNATIONAL JOURNAL OF ANTENNAS AND PROPAGATION, vol. 24, pages 1 - 9 *
XIAO ZHANG 等: "Interference Signal Recognition Based on Multi-Modal Deep Learning", 2020 7TH INTERNATIONAL CONFERENCE ON DEPENDABLE SYSTEMS AND THEIR APPLICATIONS （DSA）, pages 311 - 312 *
方健贵;唐静;熊韬;: "一种针对特定无线电信号的识别方法", 无线互联科技, no. 13, pages 16 - 29 *
郑伟;: "大数据网络中通信传输干扰信息识别仿真研究", 计算机仿真, no. 04, pages 422 - 426 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776130A (zh) * 2023-08-23 2023-09-19 成都新欣神风电子科技有限公司 一种用于异常电路信号的检测方法及装置

Also Published As

Publication number Publication date
CN113688655B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
US11468262B2 (en) Deep network embedding with adversarial regularization
CN107316013B (zh) 基于nsct变换和dcnn的高光谱图像分类方法
US20230081645A1 (en) Detecting forged facial images using frequency domain information and local correlation
CN108681746B (zh) 一种图像识别方法、装置、电子设备和计算机可读介质
CN111814810A (zh) 图像识别方法、装置、电子设备及存储介质
CN109086653B (zh) 手写模型训练方法、手写字识别方法、装置、设备及介质
CN111127387B (zh) 无参考图像的质量的评价方法
Ashok Kumar et al. Enhanced facial emotion recognition by optimal descriptor selection with neural network
US11893497B2 (en) Method and apparatus for acquiring feature data from low-bit image
CN113850838A (zh) 船舶航行意图获取方法、装置、计算机设备及存储介质
CN113065593A (zh) 模型训练方法、装置、计算机设备和存储介质
CN110135435B (zh) 一种基于广度学习系统的显著性检测方法及装置
CN113688655B (zh) 干扰信号的识别方法、装置、计算机设备和存储介质
CN116482618A (zh) 基于多损失特征自校准网络的雷达有源干扰识别方法
CN116758419A (zh) 针对遥感图像的多尺度目标检测方法、装置和设备
CN116258906A (zh) 一种对象识别方法、特征提取模型的训练方法及装置
CN111353526A (zh) 一种图像匹配方法、装置以及相关设备
CN110909819A (zh) 基于时域的电磁信息泄漏检测方法、终端设备及存储介质
CN113065617A (zh) 物体识别方法、装置、计算机设备和存储介质
CN113762128A (zh) 一种基于无监督学习的高光谱影像分类方法
CN111507201B (zh) 人眼图像处理方法、人眼识别方法、装置及存储介质
CN113205082B (zh) 基于采集不确定性解耦的鲁棒虹膜识别方法
CN116226260B (zh) 一种大数据决策方法、系统及云端服务中心
CN117058498B (zh) 分割图评估模型的训练方法、分割图的评估方法及装置
US20240144447A1 (en) Saliency maps and concept formation intensity for diffusion models

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