CN114118168A - 多站联合的电磁脉冲事件识别方法、系统和设备 - Google Patents

多站联合的电磁脉冲事件识别方法、系统和设备 Download PDF

Info

Publication number
CN114118168A
CN114118168A CN202111487997.4A CN202111487997A CN114118168A CN 114118168 A CN114118168 A CN 114118168A CN 202111487997 A CN202111487997 A CN 202111487997A CN 114118168 A CN114118168 A CN 114118168A
Authority
CN
China
Prior art keywords
electromagnetic pulse
station
layer
feature
neural network
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.)
Pending
Application number
CN202111487997.4A
Other languages
English (en)
Inventor
不公告发明人
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.)
26th Unit 96901 Unit Chinese Pla
Original Assignee
26th Unit 96901 Unit Chinese Pla
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 26th Unit 96901 Unit Chinese Pla filed Critical 26th Unit 96901 Unit Chinese Pla
Priority to CN202111487997.4A priority Critical patent/CN114118168A/zh
Publication of CN114118168A publication Critical patent/CN114118168A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • 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
    • G06N3/045—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
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (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)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于机器学习领域，具体涉及了一种多站联合的电磁脉冲事件识别方法、系统和设备，旨在解决现有电磁脉冲事件识别技术的识别精度和定位精度较低的问题。本发明包括：通过分散布设在探测区域的所有探测站点收集多站点电磁脉冲信号,基于所述多站点电磁脉冲信号，通过训练好的多站联合卷积神经网络识别所述多站点电磁脉冲信号，获得电磁脉冲事件类型，所述多站联合卷积神经网络包括多个独立特征分支和一个完全连接分类层。本发明通过独立的功能特征分支从不同波形学习不同的功能，同时满足事件识别的完整性和多样性以提供更全面的电磁脉冲事件信息提供更准确的电磁脉冲识别率。

Description

多站联合的电磁脉冲事件识别方法、系统和设备
技术领域
本发明属于机器学习领域，具体涉及了一种多站联合的电磁脉冲事件识别方法、系统和设备。
背景技术
由于核爆电磁脉冲和自然界中的雷电电磁脉冲非常相似，雷电成为核爆电磁脉冲监测的主要干扰源，核爆电磁脉冲识别成为了核爆探测的一个关键问题。国内外许多专家分别采用了归一谱特征、时频域信号处理、人工神经网络等方法对核爆和闪电电磁脉冲进行了识别研究(刘志刚核爆电磁脉冲信号的时变谱特征分析2002、李鹏基于AR模型与神经网络的核爆与闪电电磁脉冲信号识别2010、祁树峰基于时频图像分析的核爆与雷电电磁脉冲识别2013)，2019年祝宝友等人申请专利《基于卷积神经网络的智能闪电识别方法》提出了使用卷积神经网络对雷电波形进行分类(专利号CN109829407)。这些方法均采用单个的电磁脉冲探测站对电磁脉冲波形进行识别以及分类，定位精度和事件识别精度较低。
发明内容
为了解决现有技术中的上述问题，即现有电磁脉冲事件识别技术仅考虑了从单一探测站进行识别，识别精度和定位精度不足和不全面的问题，本发明提供了一种多站联合的电磁脉冲事件识别方法，所述方法包括：
步骤S100，通过分散布设在探测区域的所有探测站点收集多站点电磁脉冲信号；
步骤S200，基于所述多站点电磁脉冲信号，通过训练好的多站联合卷积神经网络识别所述多站点电磁脉冲信号，获得电磁脉冲事件类型。
在一些优选的实施方式中，所述多站联合卷积神经网络，基于M-CNN卷积神经网络构建，包括与探测站点数目相同的独立特征分支、1个汇聚层和1个完全连接分类层。
在一些优选的实施方式中，所述多站联合卷积神经网络，其中每个独立特征分支包括顺次连接的1个输入层，m组交替排列的一维卷积层及平均池化层。
在一些优选的实施方式中，所述步骤S200，具体包括：
步骤S210，多站点电磁脉冲信号进行归一化和滤波并进行波形编号，获得编号电磁波数据；
步骤S220，将所述编号电磁波数据分别输入多站联合卷积神经网络的独立特征分支；
步骤S230，多站联合卷积神经网络通过一维卷积层获取输入图像的特征图
Figure BDA0003398101120000021
Figure BDA0003398101120000022
其中，
Figure BDA0003398101120000023
表示连接上一层特征图
Figure BDA0003398101120000024
与当前特征图
Figure BDA0003398101120000025
的一维内核，每个内核扫过输入特征映射生成高级别的表示，*表示卷积操作，
Figure BDA0003398101120000026
表示上一层特征图
Figure BDA0003398101120000027
与当前特征图
Figure BDA0003398101120000028
的偏置，Mj表示连接上一层特征图
Figure BDA0003398101120000031
和上一层的输出特征映射，f(·)表示非线性的激活，k表示特征分支的索引，i表示连接上一层特征图的第i个特征点，j表示本层特征图的第j个特征点，l表示当前层的索引值，采用整流的线性单元功能f(x)＝max(0,x)进行深度学习结构的激活，特别地，当i＝1,l＝1,k＝1时，即
Figure BDA0003398101120000032
表示输入数据；
步骤S240，多站联合卷积神经网络通过移位池化层对特征图进行下采样生成压缩特征图，并作为下一层卷积层的输入图像的特征图：
Figure BDA0003398101120000033
其中，R表示池化序列的最大长度，r表示单个特征图的池化序列的长度，S表示池化的步长，n表示特征图中第n个特征向量的索引；
步骤S250，重复步骤S230-步骤S240的方法，直至完成独立特征分支的最后一层池化层，将所有独立特征分支的最后一层的压缩特征图映射为一维特征向量Vk：
Figure BDA0003398101120000034
其中，Vk表示第k个特征分支的特征向量，
Figure BDA0003398101120000035
表示第k个独立特征分支的最后一层，L表示最后一层，J表示最终输出特征图的数量；
步骤S260，多站联合卷积神经网络通过汇聚层将所有独立特征分支的一维特征向量组织为全局一维特征向量V：
V＝[V1，V2，…，Vk]
其中，V是全局特征向量；
步骤S270，通过全连接层将V执行softmax计算，输出元素向量C，元素向量C为输入图像的特征图对应各种预设的电磁脉冲事件类型的概率值。
在一些优选的实施方式中，所述softmax计算，可表示为：
Figure BDA0003398101120000041
其中，Wc表示权重向量与输出层的神经元相连，Y表示最终输出的向量，Y的每个元素表示从0到1的正数，所有输出元素的综合为1,C表示输入图像的特征图对应各种预设的电磁脉冲事件类型的最大值，即最多能识别多少种类型，c是表示第c个事件类型的索引值。
在一些优选的实施方式中，所述多站联合卷积神经网络，其训练方法为：
步骤A100，获取多站点电磁脉冲信号的历史数据，进行归一化和滤波并进行编号，获得编号电磁波数据，作为训练集；
步骤A200，随机从训练集中选出同次电磁脉冲事件的编号电磁波数据，通过如步骤S220-步骤S270的方法，获取训练集电磁脉冲事件类型；
步骤A300，通过随机梯度下降法，优化可训练参数的矩阵，直至损失函数低于预设的阈值，获得训练好的多站联合卷积神经网络；所述损失函数为：
Figure BDA0003398101120000042
其中，Q表示最小批次大小，q表示第q批次，C表示输入图像的特征图对应各种预设的电磁脉冲事件类型的最大值，c是表示第c个事件类型的索引值，Dq(c)表示第q批次第c个输出量对应的标准值，Yq(c)表示第q批次第c个输出量模型输出的估计值。
在一些优选的实施方式中，所述可训练参数的矩阵θt+1为：
Figure BDA0003398101120000051
其中，η表示学习率，
Figure BDA0003398101120000052
表示梯度算子，t表示训练轮次。
本发明的另一方面，提出了一种多站联合的电磁脉冲事件识别系统，所述系统包括多站点电磁脉冲信号收集模块和电磁脉冲事件分类模块；
所述多站点电磁脉冲信号收集模块，配置为通过分散布设在探测区域的所有探测站点收集多站点电磁脉冲信号；
所述电磁脉冲事件分类模块，配置为基于所述多站点电磁脉冲信号，通过训练好的多站联合卷积神经网络识别所述多站点电磁脉冲信号，获得电磁脉冲事件类型
本发明的第三方面，提出了一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的多站联合的电磁脉冲事件识别方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的多站联合的电磁脉冲事件识别方法。
本发明的有益效果：
(1)本发明提出的M-CNN结构，通过多站联合的电磁脉冲卷积神经网络进行电磁脉冲事件的识别，通过独立的功能特征分支从不同波形学习不同的功能，同时满足事件识别的完整性和多样性以提供更全面的电磁脉冲事件信息，可以自动、动态地从电磁脉冲数据中学习高效的功能适应不同的电磁脉冲事件引起的动态变化，提供更准确的电磁脉冲识别率。
(2)本发明通过提出的M-CNN结构通过多个监测站对电磁脉冲事件信息进行识别，因为其具有全面性，能够识别出更多类型的事件。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明实施例中多站联合的电磁脉冲事件识别方法的流程示意图；
图2是本发明实施例中电磁脉冲探测站和电磁脉冲数据处理中心站的排布示意图；
图3是本发明实施例中从不同站点接收到的电磁脉冲信号差异的示意图；
图4是本发明实施例中一组电磁脉冲波形滑动互相关系数计算结果示意图；
图5是本发明实施例中不同探测站对同一电磁脉冲事件的信号的不同示意图；
图6是本发明实施例中多站联合卷积神经网络结构示意图；
图7是本发明实施例中十种典型电磁脉冲信号时域波形示意图；
图8是本发明实施例中模型训练与测试结果示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种多站联合的电磁脉冲事件识别方法，本方法同时满足事件识别的完整性和多样性以提供更全面的电磁脉冲事件信息，提供更准确的电磁脉冲识别效率。
本发明的一种多站联合的电磁脉冲事件识别方法，包括：
步骤S100，通过分散布设在探测区域的所有探测站点收集多站点电磁脉冲信号；
步骤S200，基于所述多站点电磁脉冲信号，通过训练好的多站联合卷积神经网络识别所述多站点电磁脉冲信号，获得电磁脉冲事件类型。
为了更清晰地对本发明多站联合的电磁脉冲事件识别方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的多站联合的电磁脉冲事件识别方法，包括步骤S100-步骤S200，各步骤详细描述如下：
步骤S100，通过分散布设在探测区域的所有探测站点收集多站点电磁脉冲信号；
本实施例将每个探测地域设置两个以上的探测站和数据处理中心站，探测站采集电磁脉冲信号并传输至数据处理中心站，由数据处理中心站进行数据的筛选和识别，如图2所示。
本实施例中的电磁脉冲信号包括雷电电磁脉冲信号、无线电导航台信号、市电工频干扰脉冲信号以及核爆电磁脉冲信号四个大类，其中，雷电电磁脉冲信号根据其放电类型的不同细分为正极性云地闪、负极性云地闪、正极性普通云闪、负极性普通云闪、正极性袖珍云闪、负极性袖珍云闪以及经由地-电离层波导传播的远区雷电电磁脉冲信号(天波)七个小类；总共十大类，各类典型事件的波形如图7所示。
电磁脉冲的多个站点接收到的波形信号反映了同一个电磁脉冲事件在不同地域的表现特征，与单个站的波形信号相比，他们可以提供更全面的电磁脉冲事件信息。电磁脉冲信号在空气介质中远距离传播后，信号强度会存在明显衰减，同时传播过程中，受多径效应及地-电离层波导传播影响，信号时域、频域均会产生显著变化。这些传播因素最终导致不同地域接收的同源电磁脉冲信号会有很大的差异。如图3所示，不同站点对同一事件接收到的波形是有差异的。但这些差异均是由一个事件产生的，是同一事件在不同地域的表现，多站联合的识别模型正是完整的利用了这些差异特征，实现对电磁脉冲信号的更精准识别，这是单站识别方法无法做到的。
对于区域内的事件识别，需要考虑多样性和完整性的维度：
多样性：每个站点的波形信号都提供一个独特的特征，对应于电磁脉冲事件特定的距离和角度，因此，每个单站的波形都包含单站识别功能。
完整性：所有探测站点的波形都反映同一次电磁脉冲事件，应该将其作为一个整体来对待。
区别于仅通过单个探测站识别电磁脉冲信号，还需解决同源性的问题，所述数据处理中心接收到电磁脉冲信号后，即步骤S100之后，会先判断多组的电磁脉冲信号是否归属于同一事件源，进而对多个探测站采集的同一事件源的电磁脉冲信号进行联合识别；
具体包括：
步骤B100，将所述多站点电磁脉冲信号封装后以UDP或TCP的方式发送至数据处理中心站；
步骤B200，所述数据处理中心站基于多站点电磁脉冲信号的时间及波形相关性对多站点电磁脉冲信号进行同源脉冲匹配，筛选出同源电磁脉冲波形；经过本步骤，能够去除大部分电磁脉冲干扰数据，如市电工频干扰信号、无线电导航信号。在本实施例中，所述步骤B200包括：
步骤B210，对于数据处理中心收到的多站点电磁脉冲信号，查询电磁脉冲探测站间的最大距离Dmax，计算事件源到达各探测站的最大时间差Wt如公式(1)所示，利用时间差初步判定同源脉冲事件：
Figure BDA0003398101120000091
其中，c传表示电磁脉冲在空气介质中的传播速度，通常设置c传＝3×108m/s；
若最大时间差的误差小于时间窗，初步判定电磁脉冲事件为同源事件；
步骤B220，通过滑动时间窗的方法，计算探测站间的脉冲信号的互相关系数rt如公式(2)所示，根据互相关系数进一步准确判定同源脉冲事件：
Figure BDA0003398101120000101
其中，Xi和Yi表示不同探测站采集到的电磁脉冲序列，
Figure BDA0003398101120000102
和
Figure BDA0003398101120000103
表示，n表示序列长度；
当所述互相关系数高于预设的互相关阈值时，认定为同源事件，所述互相关阈值优选为0.6。
通过滑动窗口计算互相关系数，可得到精确的相关关系，防止出现因采集信号偏差对结果的影响。一组电磁脉冲波形滑动互相关系数计算结果如图4所示。
即将多种角度采集的电磁脉冲事件信息共同输入多维的卷积神经网络；本实施例设置电磁脉冲时域波形数据序列长度为1000，即用1000个离散数据点表示一条电磁脉冲信号。电磁脉冲探测站信道模拟/数字转换电路的采样率为1MSPS，即每微秒采样1个数据点，因此，采集1000数据点对应的原始信号时间长度为1毫秒。
步骤S200，基于所述多站点电磁脉冲信号，通过训练好的多站联合卷积神经网络识别所述多站点电磁脉冲信号，获得电磁脉冲事件类型。
在本实施例中，所述多站联合卷积神经网络，如图6所示，基于M-CNN卷积神经网络构建，包括与探测站点数目相同的独立特征分支、1个汇聚层和完全连接分类层。每个站波形对应于多站联合识别卷积神经网络中的独立功能分支，可以利用多站电磁脉冲接收波形的多样性。
在本实施例中，所述完全连接分类层可通过完全连接的softmax层实现，可表示为如公式(3)所示：
Figure BDA0003398101120000111
其中，Wc表示权重向量与输出层的神经元相连，Y表示最终输出的向量，Y的每个元素表示从0到1的正数，所有输出元素的综合为1。
在本实施例中，所述多站联合卷积神经网络，其中每个独立特征分支包括顺次连接的1个输入层，m组交替排列的一维卷积层及平均池化层。优选的，可设置m为3。为了保持多个电磁脉冲波形之间的平衡，每个功能分支的部署均遵循统一的结构；全连接分类层用于汇总来自所有要素分支的信息。除了模型的可训练参数外，还有一些由反复试验确定的参数，例如内核大小和合并步幅。一维卷积层能通过合适的卷积核自动学习、提取脉冲信号的局部有效特征，且特征数量不限。一维卷积层的层数越多，构成的神经网络模型的参数量越大，学习的特征也越多。
在本实施例中，步骤S210，多站点电磁脉冲信号进行归一化和滤波并进行波形编号，获得编号电磁波数据；如图5所示，两个站中的神经元在不同角度对同一个电磁脉冲样本进行感受，其中每一个神经元的感受视野都是不同的，这既可以提高模型的特征提取能力同时避免了过拟合的风险；优选的，为达到标准精确度，需要站点数大于或等于4；
步骤S220，将所述编号电磁波数据分别输入多站联合卷积神经网络的独立特征分支；
步骤S230，多站联合卷积神经网络通过一维卷积层获取输入图像的特征图
Figure BDA0003398101120000121
如公式(4)所示：
Figure BDA0003398101120000122
其中，
Figure BDA0003398101120000123
表示连接上一层特征图
Figure BDA0003398101120000124
与当前特征图
Figure BDA0003398101120000125
的一维内核，每个内核扫过输入特征映射生成高级别的表示，*表示卷积操作，
Figure BDA0003398101120000126
表示上一层特征图
Figure BDA0003398101120000127
与当前特征图
Figure BDA0003398101120000128
的偏置，Mj表示连接上一层特征图
Figure BDA0003398101120000129
和上一层的输出特征映射，f(·)表示非线性的激活，k表示特征分支的索引，i表示连接上一层特征图的第i个特征点，j表示本层特征图的第j个特征点，l表示当前层的索引值，采用整流的线性单元功能f(x)＝max(0,x)进行深度学习结构的激活，特别地，当i＝1,l＝1,k＝1时，即
Figure BDA00033981011200001210
表示输入数据；
步骤S240，多站联合卷积神经网络通过移位池化层对特征图进行下采样生成压缩特征图，并作为下一层卷积层的输入图像的特征图如公式(5)所示：
Figure BDA00033981011200001211
其中，R表示整个池化序列的最大长度，r表示单个特征图的池化序列的长度，S表示池化的步长，n表示特征图中第n个特征向量的索引；池化层通过压缩特征来增强电磁脉冲波形不变性的特性，同时可以减轻模型的计算负担并缓解过拟合问题；
步骤S250，重复步骤S230-步骤S240的方法，直至完成独立特征分支的最后一层池化层，将所有独立特征分支的最后一层的压缩特征图映射为一维特征向量Vk如公式(6)所示：
Figure BDA0003398101120000131
其中，Vk表示第k个特征分支的特征向量，
Figure BDA0003398101120000132
表示第k个独立特征分支的最后一层，L表示最后一层，J表示最终输出特征图的数量；
步骤S260，多站联合卷积神经网络通过汇聚层将所有独立特征分支的一维特征向量组织为全局一维特征向量V：
V＝[V1，V2，......，Vk]
其中，V是全局特征向量；所述的一维汇聚层用于拼接各分支计算的特征参数，形成一段完整的充分反映全部探测站特征信息的多维度特征；
步骤S270，通过全连接层将V执行向量矩阵乘法，输出元素向量C，元素向量C为输入图像的特征图对应各种预设的电磁脉冲事件类型的概率值。所述的一维全连接层用于拟合、映射电磁脉冲多维度特征与类型之间的关系，同时不断缩小网络层的维度大小，输出结果为1×10的一维向量。所述的一维全连接层输出采用Softmax逻辑回归激活函数，将1×10的一维向量转换为各类型概率的回归分布，将多分类的结果以概率的形式展现出来。
在本实施例中，所述多站联合卷积神经网络，其训练方法为：
步骤A100，获取多站点电磁脉冲信号的历史数据，进行归一化和滤波并进行编号，获得编号电磁波数据，作为训练集；
步骤A200，随机从训练集中选出同次电磁脉冲事件的编号电磁波数据，通过如步骤S220-步骤S270的方法，获取训练集电磁脉冲事件类型；
步骤A300，通过随机梯度下降法，优化可训练参数的矩阵，直至损失函数低于预设的阈值，获得训练好的多站联合卷积神经网络；所述损失函数为：
Figure BDA0003398101120000141
其中，Q表示最小批次大小，q表示第q批次，C表示输入图像的特征图对应各种预设的电磁脉冲事件类型的最大值，c是表示第c个事件类型的索引值，Dq(c)表示第q批次第c个输出量对应的标准值，Yq(c)表示第q批次第c个输出量模型输出的估计值。全连接层中的神经元与相邻层中的所有神经元相连；这些密集的连接产生了多站联合神经网络识别的大部分可训练权重。模型训练使用tensorflow，tensorflow是Google开源的基于数据流图的机器学习框架。由于数据量较大，在CPU上训练速度慢，这里借助GPU计算，GPU型号为NVIDIAQuadro RTX 8000。
在本实施例中，所述可训练参数的矩阵θt+1为：
Figure BDA0003398101120000142
其中，η表示学习率，
Figure BDA0003398101120000143
表示梯度算子，t表示训练轮次。
本发明可直接应用在多个移动探测阵列中，将各探测站的相对方位信息共同输入所述多站联合卷积神经网络。
本实施例以分布在各地的总共80个探测站采集的电磁脉冲数据进行同源性匹配与信号类型标记，并形成电磁脉冲数据集进行验证。
模型经过40次样本数据集的训练，每次训练与验证的结果如图8所示。可以看出，基于多分支深度卷积神经网络识别模型在训练集上的识别准确率达到99.38％，在测试集上的识别准确率达到98.65％。
本发明第二实施例的多站联合的电磁脉冲事件识别系统，包括：多站点电磁脉冲信号收集模块和电磁脉冲事件分类模块；
所述多站点电磁脉冲信号收集模块，配置为通过分散布设在探测区域的所有探测站点收集多站点电磁脉冲信号；
所述电磁脉冲事件分类模块，配置为基于所述多站点电磁脉冲信号，通过训练好的多站联合卷积神经网络识别所述多站点电磁脉冲信号，获得电磁脉冲事件类型。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的多站联合的电磁脉冲事件识别系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的多站联合的电磁脉冲事件识别方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的多站联合的电磁脉冲事件识别方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种多站联合的电磁脉冲事件识别方法，其特征在于，所述方法包括：
步骤S100，通过分散布设在探测区域的所有探测站点收集多站点电磁脉冲信号；
步骤S200，基于所述多站点电磁脉冲信号，通过训练好的多站联合卷积神经网络识别所述多站点电磁脉冲信号，获得电磁脉冲事件类型。
2.根据权利要求1所述的多站联合的电磁脉冲事件识别方法，其特征在于，所述多站联合卷积神经网络，基于M-CNN卷积神经网络构建，包括与探测站点数目相同的独立特征分支、1个汇聚层和1个完全连接分类层。
3.根据权利要求2所述的多站联合的电磁脉冲事件识别方法，其特征在于，所述多站联合卷积神经网络，其中每个独立特征分支包括顺次连接的1个输入层，m组交替排列的一维卷积层及平均池化层。
4.根据权利要求1所述的多站联合的电磁脉冲事件识别方法，其特征在于，所述步骤S200，具体包括：
步骤S210，多站点电磁脉冲信号进行归一化和滤波并进行波形编号，获得编号电磁波数据；
步骤S220，将所述编号电磁波数据分别输入多站联合卷积神经网络的独立特征分支；
步骤S230，多站联合卷积神经网络通过一维卷积层获取输入图像的特征图
Figure FDA0003398101110000021
Figure FDA0003398101110000022
其中，
Figure FDA0003398101110000023
表示连接上一层特征图
Figure FDA0003398101110000024
与当前特征图
Figure FDA0003398101110000025
的一维内核，每个内核扫过输入特征映射生成高级别的表示，*表示卷积操作，
Figure FDA0003398101110000026
表示上一层特征图
Figure FDA0003398101110000027
与当前特征图
Figure FDA0003398101110000028
的偏置，Mj表示连接上一层特征图
Figure FDA0003398101110000029
和上一层的输出特征映射，f(·)表示非线性的激活，k表示特征分支的索引，i表示连接上一层特征图的第i个特征点，j表示本层特征图的第j个特征点，l表示当前层的索引值，采用整流的线性单元功能f(x)＝max(0,x)进行深度学习结构的激活，特别地，当i＝1,l＝1,k＝1时，即
Figure FDA00033981011100000210
表示输入数据；
步骤S240，多站联合卷积神经网络通过移位池化层对特征图进行下采样生成压缩特征图，并作为下一层卷积层的输入图像的特征图：
Figure FDA00033981011100000211
其中，R表示池化序列的最大长度，r表示单个特征图的池化序列的长度，S表示池化的步长，n表示特征图中第n个特征向量的索引；
步骤S250，重复步骤S230-步骤S240的方法，直至完成独立特征分支的最后一层池化层，将所有独立特征分支的最后一层的压缩特征图映射为一维特征向量Vk：
Figure FDA00033981011100000212
其中，Vk表示第k个特征分支的特征向量，
Figure FDA00033981011100000213
表示第k个独立特征分支的最后一层，L表示最后一层，J表示最终输出特征图的数量；
步骤S260，多站联合卷积神经网络通过汇聚层将所有独立特征分支的一维特征向量组织为全局一维特征向量V：
V＝[V1，V2，......，Vk]
其中，V是全局特征向量；
步骤S270，通过全连接层将V执行向量矩阵乘法，输出元素矢量C，元素矢量C即为最高概率的电磁脉冲事件类型。
5.根据权利要求4所述的多站联合的电磁脉冲事件识别方法，其特征在于，所述多站联合卷积神经网络，其训练方法为：
步骤A100，获取多站点电磁脉冲信号的历史数据，进行归一化和滤波并进行编号，获得编号电磁波数据，作为训练集；
步骤A200，随机从训练集中选出同次电磁脉冲事件的编号电磁波数据，通过如步骤S220-步骤S270的方法，获取训练集电磁脉冲事件类型；
步骤A300，通过随机梯度下降法，优化可训练参数的矩阵，直至损失函数低于预设的阈值，获得训练好的多站联合卷积神经网络；所述损失函数为：
Figure FDA0003398101110000031
其中，Q表示最小批次大小，q表示第q批次，C表示输入图像的特征图对应各种预设的电磁脉冲事件类型的最大值，c是表示第c个事件类型的索引值，Dq(c)表示第q批次第c个输出量对应的标准值，Yq(c)表示第q批次第c个输出量模型输出的估计值。
6.根据权利要求5所述的多站联合的电磁脉冲事件识别方法，其特征在于，所述可训练参数的矩阵θt+1为：
Figure FDA0003398101110000041
其中，η表示学习率，
Figure FDA0003398101110000042
表示梯度算子，t表示训练轮次。
7.根据权利要求4所述的多站联合的电磁脉冲事件识别方法，其特征在于，所述完全连接分类层可通过完全连接的softmax层实现，可表示为：
Figure FDA0003398101110000043
其中，Wc表示权重向量与输出层的神经元相连，Y表示最终输出的向量，Y的每个元素表示从0到1的正数，所有输出元素的综合为1。
8.一种多站联合的电磁脉冲事件识别系统，其特征在于，所述包括：多站点电磁脉冲信号收集模块和电磁脉冲事件分类模块；
所述多站点电磁脉冲信号收集模块，配置为通过分散布设在探测区域的所有探测站点收集多站点电磁脉冲信号；
所述电磁脉冲事件分类模块，配置为基于所述多站点电磁脉冲信号，通过训练好的多站联合卷积神经网络识别所述多站点电磁脉冲信号，获得电磁脉冲事件类型。
9.一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的多站联合的电磁脉冲事件识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-7任一项所述的多站联合的电磁脉冲事件识别方法。
CN202111487997.4A 2021-12-08 2021-12-08 多站联合的电磁脉冲事件识别方法、系统和设备 Pending CN114118168A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111487997.4A CN114118168A (zh) 2021-12-08 2021-12-08 多站联合的电磁脉冲事件识别方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111487997.4A CN114118168A (zh) 2021-12-08 2021-12-08 多站联合的电磁脉冲事件识别方法、系统和设备

Publications (1)

Publication Number Publication Date
CN114118168A true CN114118168A (zh) 2022-03-01

Family

ID=80367599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111487997.4A Pending CN114118168A (zh) 2021-12-08 2021-12-08 多站联合的电磁脉冲事件识别方法、系统和设备

Country Status (1)

Country Link
CN (1) CN114118168A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106638A (zh) * 2023-04-11 2023-05-12 中国人民解放军96901部队 一种长基线强电磁脉冲抗干扰定位方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106638A (zh) * 2023-04-11 2023-05-12 中国人民解放军96901部队 一种长基线强电磁脉冲抗干扰定位方法及系统
CN116106638B (zh) * 2023-04-11 2023-07-18 中国人民解放军96901部队 一种长基线强电磁脉冲抗干扰定位方法及系统

Similar Documents

Publication Publication Date Title
CN106851573B (zh) 基于对数路径损耗模型的联合加权k近邻室内定位方法
CN110991786B (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN108629380B (zh) 一种基于迁移学习的跨场景无线信号感知方法
CN103675616B (zh) 电缆在线局部放电检测信号识别方法
CN112041693A (zh) 一种基于混合录波的配电网故障定位系统
CN109085469A (zh) 一种用于识别电缆局部放电信号的信号类型的方法及系统
CN107835496A (zh) 一种垃圾短信的识别方法、装置和服务器
CN111580151B (zh) 一种基于SSNet模型的地震事件到时识别方法
CN113569742B (zh) 一种基于卷积神经网络的宽频带电磁干扰源识别方法
CN109934269A (zh) 一种电磁信号的开集识别方法和装置
CN102324038A (zh) 一种基于数字图像的植物种类识别方法
CN108566253B (zh) 一种基于对信号功率谱拟合特征提取的信号识别方法
CN106970379B (zh) 基于泰勒级数展开对室内目标的测距定位方法
CN110166154A (zh) 一种基于神经网络的软件无线电频谱监测识别的方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN104809230A (zh) 一种基于多分类器集成的卷烟感官质量评估方法
CN111079283B (zh) 对信息饱和度不均衡数据的处理方法
CN101515454A (zh) 一组用于语音、音乐、噪音自动分类的信号特征提取方法
CN109902340A (zh) 一种计及复杂气象耦合特性的多源-荷联合场景生成方法
CN109512390A (zh) 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置
CN110048978A (zh) 一种信号调制识别方法
CN115438708A (zh) 一种基于卷积神经网络和多模态融合的分类识别方法
CN114118168A (zh) 多站联合的电磁脉冲事件识别方法、系统和设备
CN111983569A (zh) 基于神经网络的雷达干扰抑制方法
CN111916089A (zh) 基于声信号特征分析的冰雹检测方法和装置

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