CN114881093A - 一种信号分类识别方法 - Google Patents

一种信号分类识别方法 Download PDF

Info

Publication number
CN114881093A
CN114881093A CN202210782445.4A CN202210782445A CN114881093A CN 114881093 A CN114881093 A CN 114881093A CN 202210782445 A CN202210782445 A CN 202210782445A CN 114881093 A CN114881093 A CN 114881093A
Authority
CN
China
Prior art keywords
layer
data
signal
eigenmode function
sample
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
CN202210782445.4A
Other languages
English (en)
Other versions
CN114881093B (zh
Inventor
卢继华
李兆军
冯立辉
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210782445.4A priority Critical patent/CN114881093B/zh
Publication of CN114881093A publication Critical patent/CN114881093A/zh
Application granted granted Critical
Publication of CN114881093B publication Critical patent/CN114881093B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Character Discrimination (AREA)

Abstract

本发明属于数据表示、分类与信号识别技术领域，尤其涉及基于EMD分解、双谱特征及神经网络对射频信号分类识别方法。所述方法，包括：将欲分类的信号循环加入噪声并取模值得到幅度数据；依据有效数据阶数对幅度数据进行改进的集总平均经验模态分解，得到本征模函数分量及剩余信号；将剩余信号划分得到训练数据集与测试数据集；遍历训练数据集与测试数据集中的样本提取双谱特征得到该样本的双谱特征矩阵，并分别构建训练集和测试集；构造卷积神经网络；将训练集输入卷积神经网络中进行训练，得到训练好的模型；将测试集输入训练好的模型中，得到分类识别结果。所述方法实现了对接收到的射频信号高准确率分类。

Description

一种信号分类识别方法
技术领域
本发明属于数据表示、分类与信号识别技术领域，尤其涉及一种基于改进的总体平均经验模态分解（Modified Ensemble Empirical Mode Decomposition, MEEMD）、径向积分双谱及神经网络的分类识别方法。
背景技术
5G推动了万物互联物联网技术的发展，物联网的一个重要特征就是大规模连接。大量设备产生不同种类的信号，包括模拟、数字、图像等以数据形式存在的信号，引发各种数据分类与信号识别问题。数据分类也应用广泛，如：用于物联网识别、空间频谱资源管控及射频安全等相关领域的，因此，信号分类识别具有很大的应用价值及实际意义。所谓分类，就是把相同内容或相同性质的信息为一个类别，而把相异的信息区分开来，即是把具有某种或某些共同属性或特征的数据归并在一起，通过其类别的属性或特征来对数据进行区分，区分为不同集合后，确定各个集合之间的关系，形成一个有条理的分类与识别系统。
未来每平方公里百万级的连接为物联网系统带来了能量消耗大、硬件费用高和频谱资源短缺三个挑战。各类通信系统的信号分类与时频处理息息相关，和大规模连接的发展需求相契合。对于各类无线设备而言，由于发射机和接收机之间的传播路径非常复杂，传播的机制也是多种多样的，在电波的传播过程中会受到信道的影响，信号经复杂信道后接收的信号往往非平稳且其统计量是时变的。为了实现对射频信号的分类，往往需要提取射频信号特征。因此，先进行时频变换提取特征再进行分类，是对射频信号分类识别的思路之一。
特征提取一般有傅里叶变换、短时傅里叶变换、小波变换、功率谱以及倒频谱等。傅里叶分析对于非平稳射频信号特征并不能做到局部表征，仅可用于了解信号在时频域的全局特性；短时傅里叶变换虽可以描述某一局部时间段上的频率信息，但随着信号时间的增长，信号在短时间内的平稳难以保证；小波变换可以在时频域表征信号局部特征，然而它和传统傅里叶分析方法一样，属于线性时频分析方法，无法描述信号的瞬时功率谱密度。因此，无论时频分析还是谱图分析均不能全面直观反映射频信号在时域和频域的全部特征，时频分辨率折中问题成为时频特征提取的瓶颈。此外，信号频率信息在不同时间上不同，很难找到一个合适的分析窗适应信号的全部时间段。
对无线射频信号进行分类与识别，通常需要选择时移不变性、尺度不变性以及相位保持性特征。高阶谱满足上述条件，还具备较强抗噪声性，保留信号幅度和相位信息且与时间无关，能衡量随机序列偏离正态的程度，有效地显现信号的非高斯、非线性特性。双谱分析相对简单，计算量较小且保持了高阶谱分析共有的优点，因此在信号检测、参数估计以及目标分类识别运用广泛。
深度学习在特征提取和建模上有着相较浅层模型显然的优势。深度学习善于从原始输入数据中挖掘越来越抽象的特征表示，而这些表示具有良好的泛化能力。它克服了过去人工智能中被认为难以解决的一些问题且随着训练数据集数量的显著增长及芯片处理能力的剧增，它在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，因此也促进了人工智能的发展。深度学习是包含多级非线性变换的层级机器学习方法，深层神经网络是目前的主要形式，其神经元间的连接模式受启发于动物视觉皮层组织，而卷积神经网络则是其中一种经典而广泛应用的结构。卷积神经网络的局部连接、权值共享及池化操作等特性使之能有效降低网络复杂度，减少训练参数的数目，使模型对平移、扭曲、缩放具有一定程度的不变性，并具有强鲁棒性和容错能力且易于训练和优化。
发明内容
本发明的目的在于针对无线设备接收到的射频信号因为受噪声、遮挡以及各类干扰导致对接收信号的分类准确度低的技术缺陷，提出了一种信号分类识别方法，所述方法基于改进的EEMD、径向积分双谱及神经网络，对不同类型的无线信号进行分类与识别。
为了达到上述目的，本发明采取如下技术方案：
所述信号分类识别方法，包括如下步骤：
S0、初始化加噪循环次数
Figure DEST_PATH_IMAGE001
以及内循环次数
Figure DEST_PATH_IMAGE002
均为1并设定加噪总循环次数为Ne；
S1、判断
Figure 449090DEST_PATH_IMAGE001
是否等于Ne，若
Figure 657349DEST_PATH_IMAGE001
不等于Ne，则将原始信号
Figure DEST_PATH_IMAGE003
分别加减白噪声，得到两路含噪信号
Figure DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
，跳至S2；否则，若
Figure 580043DEST_PATH_IMAGE001
等于Ne，跳至S4；
S2、将S1得到的两路含噪信号
Figure DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
分别取模值，得到两路幅度数据
Figure DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE009
；
S3、对两路幅度数据
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
分别进行经验模态分解，得到两路幅度数据的本征模函数分量；
将所述两路幅度数据
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
，其中的任意一路幅度数据统称记为
Figure DEST_PATH_IMAGE014
，对
Figure 997248DEST_PATH_IMAGE014
进行经验模态分解，得到幅度数据
Figure DEST_PATH_IMAGE015
的本征模函数分量，具体包括如下子步骤：
S31、设定有效数据阶数并初始化分解次数p为1；
S32、找到该路幅度数据的所有上极值点和下极值点；
S33、拟合出上极值点和下极值点的包络线，得到上包络线和下包络线，再求上包络线和下包络线的均值，得到上下包络线均值；
S34、将幅度数据减去上下包络线均值得到中间数据；
S35、判断p是否等于有效数据阶数，若不等，再判断中间数据是否为本征模函数分量，若不是本征模函数分量，则将中间数据赋值给幅度数据，并跳至S32；若是本征模函数分量，则保存此分量为第p个本征模函数分量，将幅度数据减去此第p个本征模函数分量得到的剩余部分赋值给幅度数据，将p加1，跳至S32；否则若p等于有效数据阶数，则将保存的本征模函数分量，记为
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
，跳至S1；
S4、计算第
Figure DEST_PATH_IMAGE018
次循环本征模函数分量的集成平均
Figure DEST_PATH_IMAGE019
；
所述
Figure DEST_PATH_IMAGE020
为第
Figure DEST_PATH_IMAGE021
次加噪的
Figure DEST_PATH_IMAGE022
第
Figure 326598DEST_PATH_IMAGE018
次循环得到的本征模函数分量；
Figure DEST_PATH_IMAGE023
为第
Figure 587815DEST_PATH_IMAGE001
次加噪的
Figure DEST_PATH_IMAGE024
第
Figure 302699DEST_PATH_IMAGE018
次循环得到的本征模函数分量；
S5、 计算并得到
Figure DEST_PATH_IMAGE025
的排列熵
Figure DEST_PATH_IMAGE026
并判断排列熵与排列熵阈值
Figure DEST_PATH_IMAGE027
的大小关系，若排列熵小于等于排列熵阈值
Figure DEST_PATH_IMAGE028
，则认为集成平均
Figure DEST_PATH_IMAGE029
正常，将此时
Figure DEST_PATH_IMAGE030
的值保存为T，并跳至S6；否则若排列熵大于排列熵阈值
Figure 499325DEST_PATH_IMAGE028
，则认为集成平均
Figure 565239DEST_PATH_IMAGE029
异常，
Figure 302251DEST_PATH_IMAGE030
=
Figure DEST_PATH_IMAGE031
+1并跳至S4；
S6、判断T是否为1，若是，则剩余信号
Figure DEST_PATH_IMAGE032
，否则将前T-1个集成平均的分量从原始信号中去除，得到剩余信号
Figure DEST_PATH_IMAGE033
；
S7、对剩余信号
Figure DEST_PATH_IMAGE034
进行经验模态分解，得到剩余信号的本征模函数分量，再将得到的所有本征模函数分量按照高频到低频排列，得到排列后的剩余信号
Figure DEST_PATH_IMAGE035
本征模函数分量；
至此，从S0到S7，得到的排列后的剩余信号
Figure 763319DEST_PATH_IMAGE034
本征模函数分量，记为一个样本；
S8、重复C次S0到S7，得到C个样本，再对C个样本进行划分，得到训练数据集与测试数据集；
S9、遍历训练数据集与测试数据集中的样本，提取每个样本的径向积分双谱特征，得到该样本的径向积分双谱特征矩阵，分别将训练数据集中所有样本的径向积分双谱特征矩阵构建为训练集，将测试数据集中所有样本的径向积分双谱特征矩阵构建为测试集；
S10、构造包括输入层、卷积层、池化层、光栅层、全连接层及输出层的卷积神经网络；
S11、将S9得到的训练集输入S10构造的卷积神经网络中进行训练，得到训练好的模型；
S12、将S9得到的测试集输入S11训练好的模型中，得到分类识别结果。
所述S0中加噪总循环次数Ne的取值范围为50至100。
S31中，有效数据阶数大于等于2，小于等于10且有效数据阶数大于等于分解次数；所述 为第 次加噪的 分解得到的本征模函数分量。
S5所述T大于等于1，且所述排列熵阈值 的取值范围为0.55至0.65。
S8所述训练数据集与测试数据集的比例范围为D：10-D，且D大于等于5小于等于9.5。
S9所述一个样本的径向积分双谱特征矩阵，通过如下子步骤获取：
S91、将每个样本分成K段，每段包含M个数据，并记KM 为N；
所述M为离散傅里叶变换的点数；
S92、分别将每个样本中的K段进行离散傅里叶变换，得到K段离散傅里叶变换系数；
S93、求出K段离散傅里叶变换系数的三重相关，得到K段三重相关；
S94、计算出K段三重相关的平均值得到当前样本的双谱估计，得到样本的双谱；
S95、对样本的双谱按照径向积分路径进行积分，得到径向积分双谱特征矩阵；
所述径向积分双谱特征矩阵反映出当前样本的非高斯分布信息及个体特征的同时，还保留了时移不变性、尺度变化性和相位保持性；
至此，从S91到S95，得到了一个样本的径向积分双谱特征矩阵。
S10所述卷积层包括第一卷积层和第二卷积层；池化层包括第一池化层与第二池化层；全连接层包括第一全连接层和第二全连接层；
输入层与第一卷积层相连，第一卷积层与第一池化层相连，第一池化层与第二卷积层相连，第二卷积层与第二池化层相连，第二池化层与光栅层相连，光栅层与第一全连接层相连，第一所述输入层的输入为径向积分双谱特征矩阵，卷积层使用卷积核与输入层中输入的径向积分双谱特征矩阵中对应元素相乘求和得到对应元素的像素值，池化层对卷积层输出的对应元素像素值进行下采样以缩减图像尺度，缩减尺度的图像再经光栅层提取特征，全连接层将光栅层提取到的特征进行综合后给输出层，输出层给出分类识别结果。
S11所述训练好的模型的参数包括卷积层的卷积核大小，池化层的下采样步长全连接层中每个神经元的权重参数。全连接层与第二全连接层相连，第二全连接层与输出层相连；
有益效果
本发明所提出的一种信号分类识别方法，与现有分类识别方法相比，具有如下有益效果：
1、所述信号分类识别方法针对无线通信中的复杂信号，实现了对接收到的射频信号高准确率分类；
2、所述信号分类识别方法对接收到的射频信号提取径向积分双谱特征前先进行改进的EEMD，该改进的EEMD无需预设基函数，依据数据自身时间尺度特征进行信号分解，这一点与建立在先验性谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质差别和明显优势；同时，EEMD相较于EMD，能够在一定程度上抑制模态混淆，降低重构误差。
3、所述信号分类识别方法采用积分双谱分析，既保留了高阶谱分析的优点又显著降低了计算量。
附图说明
图1是本发明一种信号分类识别方法的总体流程图；
图2是本发明一种信号分类识别方法中径向积分双谱特征提取流程图；
图3是本发明一种信号分类识别方法的卷积神经网络的结构图。
具体实施方式
下面结合附图和实施例对本发明一种信号分类识别方法做进一步说明和详细阐述。
实施例1
所述信号分类识别方法依托的无线通信系统包括发射机、接收机及射频设备。所述发射机包括基带调制模块、上变频模块及天线；射频设备包括能量收集模块、信号处理模块、逻辑电路模块及发送模块；
发射机中的基带调制模块与上变频模块相连，上变频模块与天线相连；在射频设备中，逻辑电路模块与能量收集模块、信号处理模块及发送模块相连；
基带调制模块将基带信号进行调制得到调制后的符号；上变频模块将调制后的符号进行上变频得到射频信号，天线将射频信号发送出去；射频设备的能量收集模块收集无线信号能量，以此支撑射频设备的正常工作；信号处理模块负责对收到的信号进行解调，感知无线信号并进行同步等；发送模块包括不同阻抗，每个阻抗对应一个反射状态，由此实现信息的调制；逻辑电路模块负责控制射频设备的各个模块，对信号处理模块输入的信息做出回应，根据发送比特序列生成控制信号控制发送天线和不同阻抗的连接，将自身的信息加载到射频信号上。发射模块输出的射频信号数据经过无线链路到达接收机，其中经信道传播的射频信号可被接收机直接接收；还经射频设备通过调整阻抗来调节反射信号的幅度和相位，将自身信息加载到射频信号上再传输到接收机。其中每一个接收数据的向量维数是20000。
下面详细阐述一种信号分类识别方法具体实施及其分类效果，首先发射信号经链路射频设备传播后到达接收机，接收机接收信号进行改进的EEMD分解得到有效数据，然后将有效数据分为训练数据集与测试数据集并进行径向积分双谱特征提取，分别将训练数据集中所有样本的径向积分双谱特征矩阵构建为训练集，将测试数据集中所有样本的径向积分双谱特征矩阵构建为测试集，最后送到神经网络中进行训练、分类，给出分类结果。图1中，接收信号进行改进的EEMD分解后进行径向积分双谱特征提取再经卷积神经网络分类后输出分类结果。
所述信号分类识别方法，包括如下步骤：
S0、初始化加噪循环次数
Figure DEST_PATH_IMAGE036
以及内循环次数
Figure DEST_PATH_IMAGE037
均为1并设定加噪总循环次数为Ne；
具体实施时，初始化加噪循环次数及内循环次数为1并设定加噪总循环次数Ne的值为100；
S1、判断
Figure DEST_PATH_IMAGE038
是否等于Ne，若
Figure 572924DEST_PATH_IMAGE036
不等于Ne，则将原始信号
Figure DEST_PATH_IMAGE039
分别加减白噪声，得到两路含噪信号
Figure DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE041
，跳至S2；否则，若
Figure 424336DEST_PATH_IMAGE036
等于Ne，跳至S4；
S2、将S1得到的两路含噪信号
Figure DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE043
分别取模值，得到两路幅度数据
Figure DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
；
S3、对两路幅度数据
Figure DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE047
分别进行经验模态分解，得到两路幅度数据的本征模函数分量；
将所述两路幅度数据
Figure DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE049
，其中的任意一路幅度数据统称记为
Figure DEST_PATH_IMAGE050
，对
Figure 401258DEST_PATH_IMAGE050
进行经验模态分解，得到幅度数据
Figure 44728DEST_PATH_IMAGE050
的本征模函数分量，具体包括如下子步骤：
S31、设定有效数据阶数并初始化分解次数p为1；
其中，有效数据阶数大于等于p；有效数据阶数大于等于2，小于等于10；
S32、找到该路幅度数据的所有上极值点和下极值点；
S33、拟合出上极值点和下极值点的包络线，得到上包络线和下包络线，再求上包络线和下包络线的均值，得到上下包络线均值；
S34、将幅度数据减去上下包络线均值得到中间数据；
S35、判断p是否等于有效数据阶数，若不等，再判断中间数据是否为本征模函数分量，若中间数据不是本征模函数分量，则将中间数据赋值给幅度数据，并跳至S32；若是本征模函数分量，则保存此分量为第p个本征模函数分量，将幅度数据减去此第p个本征模函数分量得到的剩余部分赋值给幅度数据，将p加1，跳至S32；否则若p等于有效数据阶数，则将保存的本征模函数分量，记为
Figure DEST_PATH_IMAGE051
，
Figure DEST_PATH_IMAGE052
，跳至S1；
所述判断中间数据是否为本征模函数分量的预设判据为：
（1）在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个；
（2）在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称；
所述保存的本征模函数分量即为：幅度数据分解的结果，被分解为一系列本征模函数分量以及剩余部分的线性叠加；
其中，每一个本征模函数分量的向量维数，具体实施时，维度为20000。
将保存的本征模函数分量存储为经验模态分解的分解结果；
Figure DEST_PATH_IMAGE053
是
Figure DEST_PATH_IMAGE054
和
Figure DEST_PATH_IMAGE055
的统称，
Figure DEST_PATH_IMAGE056
，跳至S1；
Figure 629162DEST_PATH_IMAGE054
是幅度数据
Figure DEST_PATH_IMAGE057
的分解结果，
Figure 420401DEST_PATH_IMAGE055
是幅度数据
Figure DEST_PATH_IMAGE058
的分解结果；
S4、计算第
Figure 804940DEST_PATH_IMAGE030
次循环本征模函数分量的集成平均
Figure DEST_PATH_IMAGE059
；
S5、 计算并得到
Figure 365235DEST_PATH_IMAGE025
的排列熵，并判断排列熵与排列熵阈值
Figure 684352DEST_PATH_IMAGE027
的大小关系，若排列熵小于等于排列熵阈值
Figure 900569DEST_PATH_IMAGE028
，则认为集成平均
Figure 845392DEST_PATH_IMAGE029
正常，将此时j的值保存为T，并跳至S6；否则若排列熵大于排列熵阈值
Figure 197876DEST_PATH_IMAGE028
，则认为集成平均
Figure 452008DEST_PATH_IMAGE029
异常，
Figure 889943DEST_PATH_IMAGE030
=
Figure 372877DEST_PATH_IMAGE030
+1并跳至S4；
具体实施时，排列熵阈值
Figure DEST_PATH_IMAGE060
的值为0.6；
S6、判断T是否为1，若是，则剩余信号
Figure DEST_PATH_IMAGE061
，否则将前T-1个集成平均的分量从原始信号中去除，得到剩余信号
Figure DEST_PATH_IMAGE062
；
S7、对剩余信号
Figure DEST_PATH_IMAGE063
进行经验模态分解，得到剩余信号的本征模函数分量，再将得到的所有本征模函数分量按照高频到低频排列，得到排列后的剩余信号
Figure 720813DEST_PATH_IMAGE035
本征模函数分量；
至此，从S0到S7，得到的排列后的剩余信号
Figure DEST_PATH_IMAGE064
本征模函数分量，记为一个样本；
S8、重复C次S0到S7，得到C个样本，再对C个样本进行划分，得到训练数据集与测试数据集；
S9、遍历训练数据集与测试数据集中的样本，提取每个样本的径向积分双谱特征，得到该样本的径向积分双谱特征矩阵，分别将训练数据集中所有样本的径向积分双谱特征矩阵构建为训练集，将测试数据集中所有样本的径向积分双谱特征矩阵构建为测试集；
S10、构造包括输入层、卷积层、池化层、光栅层、全连接层及输出层的卷积神经网络；
S11、将S9得到的训练集输入S10构造的卷积神经网络中进行训练，得到训练好的模型；
S12、将S9得到的测试集输入S11训练好的模型中，得到分类识别结果。
所述S0中加噪总循环次数Ne的取值范围为50至100。
S31中，有效数据阶数大于等于2，小于等于10且有效数据阶数大于等于分解次数；所述
Figure 880268DEST_PATH_IMAGE051
为第
Figure DEST_PATH_IMAGE065
次加噪的
Figure 867815DEST_PATH_IMAGE050
分解得到的本征模函数分量。
S5所述T大于等于1，且所述排列熵阈值
Figure 905172DEST_PATH_IMAGE028
的取值范围为0.55至0.65。
S8所述训练数据集与测试数据集的比例范围为D：10-D，且D大于等于5小于等于9.5。具体实施时，D为7；按照7：3比例；
对每种信号选取样本数据，数量为400，则总样本数量为2400；将每种信号的数据随机打乱，按照7:3的比例从中产生训练数据集与测试数据集；
S9所述一个样本的径向积分双谱特征矩阵，通过如下子步骤获取：
S91、将每个样本分成K段，每段包含M个数据，并记KM 为N；具体实施时，对样本进行间隔取样，一共取100段，每段样本再包括M=311个数据；
所述M为离散傅里叶变换的点数；
S92、分别将每个样本中的K段进行离散傅里叶变换，得到K段离散傅里叶变换系数；
S93、求出K段离散傅里叶变换系数的三重相关，得到K段三重相关；
S94、计算出K段三重相关的平均值得到当前样本的双谱估计，得到样本的双谱；
S95、对样本的双谱按照径向积分路径进行积分，得到径向积分双谱特征矩阵；
所述径向积分双谱特征矩阵反映出当前样本的非高斯分布信息及个体特征的同时，还保留了时移不变性、尺度变化性和相位保持性；
S92，具体为：通过公式（1）计算离散傅里叶变换系数
Figure DEST_PATH_IMAGE066
:
Figure DEST_PATH_IMAGE067
（1）
其中，
Figure DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE069
是傅里叶变换的第
Figure DEST_PATH_IMAGE070
个频谱，M是傅里叶变换的点数，
Figure DEST_PATH_IMAGE071
是分的段数，
Figure DEST_PATH_IMAGE072
是段的序号；
S93，具体为：通过（2）求出离散傅里叶变换系数的三重相关
Figure DEST_PATH_IMAGE073
；
Figure DEST_PATH_IMAGE074
（2）
式（2）中，
Figure DEST_PATH_IMAGE075
；
Figure DEST_PATH_IMAGE076
，
Figure DEST_PATH_IMAGE077
，
Figure DEST_PATH_IMAGE078
，
Figure DEST_PATH_IMAGE079
是采样频率，
Figure DEST_PATH_IMAGE080
是频率抽样间隔，且
Figure DEST_PATH_IMAGE081
和
Figure DEST_PATH_IMAGE082
的选取应满足关系式
Figure DEST_PATH_IMAGE083
；
S94，具体为：通过公式（3）计算出K段三重相关的平均值得到当前样本的双谱估计，得到当前样本构建的双谱特征
Figure DEST_PATH_IMAGE084
：c
Figure DEST_PATH_IMAGE085
（3）
其中，
Figure DEST_PATH_IMAGE086
，
Figure DEST_PATH_IMAGE087
，分别代表两个点处的频率值；
S95、对样本的双谱特征进行积分，得到径向积分双谱特征矩阵
Figure DEST_PATH_IMAGE088
；
Figure DEST_PATH_IMAGE089
（4）
至此，从步骤S91到步骤S95得到了一个样本的径向积分双谱特征矩阵。完成了信号的双谱估计，计算量相对其他高阶谱估计较小，进一步求得径向积分双谱特征矩阵就能得到各信号的非高斯分布信息，得到不同的个体特征；
所述径向积分双谱特征矩阵反映出当前样本的非高斯分布信息及个体特征。
S10、构造卷积神经网络模型，模型如图3所示，具体结构如下：
包括输入层、第1卷积层、第1池化层、第2卷积层、第2池化层、光栅层、第1全连接层、第2全连接层以及输出层，具体为：
输入层：64×64×2；
卷积此处选择改变的卷积核大小，原始模型的卷积核大小为5*5，针对64*64*2大小的输入数据，收敛速度过慢，选用9*9的卷积核提升双谱特征的提取效率；
池化层1：该层对特征图2×2的邻域进行池化运算，步长为2，输出64×28×28的特征图；
卷积层2：该层卷积核大小为5×5，输出为96×24×24的特征图；
池化层2：该层对特征图2×2的邻域进行池化运算，步长为2，输出96×12×12的特征图；
光栅层：将上一层输出的矩阵排列成列向量；
全连接层：该部分包括两层全连接层，分别有2048以及512个神经元，经过ReLU函数激活后进入输出层；
此处选用ReLu函数作为激活函数相对于Sigmoid函数有单侧抑制、相对宽阔的兴奋边界核稀疏激活性等优点，提高了损失函数的收敛速度。
输出层：该层设置6个神经元分别代表6种射频设备类型；
本实施例，具体实施时共测量6种射频设备的射频信号。
如前所述，所依托的无线通信系统包括发射机、接收机及射频设备，链路包括直接和反射链路。发射机先发射射频信号，然后射频信号经过链路到达接收机，其中，射频设备放置于发射机前端。射频设备包括编号1到编号6。
S11、将S8产生的训练集输入S8构造的神经网络中进行训练，并多次迭代以提高分类准确率，此处设置迭代次数为200，得到训练好的模型；
S12、将S9产生的测试集输入S11训练好的模型中对其进行分类，统计各射频信号的分类准确率为：97.8% （编号1）， 98.5%（编号2），98.9%（编号3），77.5%（编号4），76.7%（编号5），97.5%（编号6）。可以看出，各射频信号分类准确率都较高，除编号4和编号5的射频信号准确度在77%左右，其他均能达到97%以上。
实施例2
进一步地，为了验证本方法的有效性，采用公共数据集：
Figure DEST_PATH_IMAGE090
中的2.4GHz Indoor Channel Measurement数据集中的数据，该集合中包含10次扫频的S21测量值，每次扫频包含601个频率点，各频率点间隔为0.167MHz，覆盖2.4GHz中心频率100MHz带宽。本方法先采用改进的EEMD对信号进行处理，分解原始信号，并保留了相对重要的信号分量。与现有基于EMD及双谱分解的分类算法相比，降低了数据量，进而节省了后续双谱分析所占用的时间，同时，改进的EEMD与EMD相比，在一定程度上抑制了模态混淆，降低了重构误差。而基于双谱分解+PCA+EMD的机器学习分类方法对原始信号先进行双谱分析，使得算法复杂度高，导致算法时间长；虽后续采用PCA进行降维，但仍然无法弥补双谱分解带来的高复杂度。
经过S1到S12，测试集的分类准确度结果如下表1所示。可以看出，虽然本发明所述方法与基于双谱分解+PCA+EMD的机器学习分类方法相比，本方法具有更低时间复杂度且收敛更快。
表1 本方法与双谱+PCA+EMD方法的性能比较
Figure DEST_PATH_IMAGE091
本方法采用改进的EEMD进行模态分解，结合径向双谱特征矩阵，并通过实施例1中S5所描述的机器学习网络结构进行分类。结果表明，相比于其他方法（双谱+PCA+EMD+机器学习识别），本方法的准确率均较高，且在Epoch大于7时，准确率为1。同时，本方法在第8次迭代时，准确率已经稳定，而对比算法（双谱+PCA+EMD+机器学习识别）在第11次迭代时，准确率才趋于平稳。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (8)

1.一种信号分类识别方法，其特征在于，包括如下步骤：
S0、初始化加噪循环次数
Figure 319078DEST_PATH_IMAGE001
以及内循环次数
Figure 716561DEST_PATH_IMAGE002
均为1并设定加噪总循环次数为Ne；
S1、判断
Figure 445483DEST_PATH_IMAGE001
是否等于Ne，若
Figure 337346DEST_PATH_IMAGE001
不等于Ne，则将原始信号
Figure 835324DEST_PATH_IMAGE003
分别加减白噪声，得到两路含噪信号
Figure 669288DEST_PATH_IMAGE004
和
Figure 619926DEST_PATH_IMAGE005
，跳至S2；否则，若
Figure 831594DEST_PATH_IMAGE001
等于Ne，跳至S4；
S2、将S1得到的两路含噪信号
Figure 184078DEST_PATH_IMAGE004
和
Figure 188943DEST_PATH_IMAGE006
分别取模值，得到两路幅度数据
Figure 626878DEST_PATH_IMAGE007
和
Figure 860544DEST_PATH_IMAGE008
；
S3、对两路幅度数据
Figure 333114DEST_PATH_IMAGE009
和
Figure 508880DEST_PATH_IMAGE010
分别进行经验模态分解，得到两路幅度数据的本征模函数分量；
将所述两路幅度数据
Figure 434111DEST_PATH_IMAGE011
和
Figure 658419DEST_PATH_IMAGE012
，其中的任意一路幅度数据统称记为
Figure 31500DEST_PATH_IMAGE013
，对
Figure 315851DEST_PATH_IMAGE014
进行经验模态分解，得到幅度数据
Figure 56274DEST_PATH_IMAGE013
的本征模函数分量，具体包括如下子步骤：
S31、设定有效数据阶数并初始化分解次数p为1；
S32、找到该路幅度数据的所有上极值点和下极值点；
S33、拟合出上极值点和下极值点的包络线，得到上包络线和下包络线，再求上包络线和下包络线的均值，得到上下包络线均值；
S34、将幅度数据减去上下包络线均值得到中间数据；
S35、判断p是否等于有效数据阶数，若不等，再判断中间数据是否为本征模函数分量，若不是本征模函数分量，则将中间数据赋值给幅度数据，并跳至S32；若是本征模函数分量，则保存此分量为第p个本征模函数分量，将幅度数据减去此第p个本征模函数分量得到的剩余部分赋值给幅度数据，将p加1，跳至S32；否则若p等于有效数据阶数，则将保存的本征模函数分量，记为
Figure 84273DEST_PATH_IMAGE015
，
Figure 813325DEST_PATH_IMAGE016
，跳至S1；
S4、计算第
Figure 2998DEST_PATH_IMAGE017
次循环本征模函数分量的集成平均
Figure 965138DEST_PATH_IMAGE018
；
所述
Figure 531249DEST_PATH_IMAGE019
为第
Figure 144501DEST_PATH_IMAGE020
次加噪的
Figure 505076DEST_PATH_IMAGE021
第
Figure 954511DEST_PATH_IMAGE017
次循环得到的本征模函数分量；
Figure 324313DEST_PATH_IMAGE022
为第
Figure 293537DEST_PATH_IMAGE001
次加噪的
Figure 90592DEST_PATH_IMAGE023
第
Figure 683116DEST_PATH_IMAGE017
次循环得到的本征模函数分量；
S5、 计算并得到
Figure 184505DEST_PATH_IMAGE024
的排列熵
Figure 387996DEST_PATH_IMAGE025
并判断排列熵与排列熵阈值
Figure 152690DEST_PATH_IMAGE026
的大小关系，若排列熵小于等于排列熵阈值
Figure 825985DEST_PATH_IMAGE026
，则认为集成平均
Figure 537589DEST_PATH_IMAGE027
正常，将此时
Figure 465094DEST_PATH_IMAGE017
的值保存为T，并跳至S6；否则若排列熵大于排列熵阈值
Figure 603951DEST_PATH_IMAGE028
，则认为集成平均
Figure 734850DEST_PATH_IMAGE027
异常，
Figure 984565DEST_PATH_IMAGE017
=
Figure 297735DEST_PATH_IMAGE017
+1并跳至S4；
S6、判断T是否为1，若是，则剩余信号
Figure 653499DEST_PATH_IMAGE029
，否则将前T-1个集成平均的分量从原始信号中去除，得到剩余信号
Figure 724223DEST_PATH_IMAGE030
；
S7、对剩余信号
Figure 105526DEST_PATH_IMAGE031
进行经验模态分解，得到剩余信号的本征模函数分量，再将得到的所有本征模函数分量按照高频到低频排列，得到排列后的剩余信号
Figure 945306DEST_PATH_IMAGE032
本征模函数分量；
至此，从S0到S7，得到的排列后的剩余信号
Figure 239015DEST_PATH_IMAGE031
本征模函数分量，记为一个样本；
S8、重复C次S0到S7，得到C个样本，再对C个样本进行划分，得到训练数据集与测试数据集；
S9、遍历训练数据集与测试数据集中的样本，提取每个样本的径向积分双谱特征，得到该样本的径向积分双谱特征矩阵，分别将训练数据集中所有样本的径向积分双谱特征矩阵构建为训练集，将测试数据集中所有样本的径向积分双谱特征矩阵构建为测试集；
S10、构造包括输入层、卷积层、池化层、光栅层、全连接层及输出层的卷积神经网络；
S11、将S9得到的训练集输入S10构造的卷积神经网络中进行训练，得到训练好的模型；
S12、将S9得到的测试集输入S11训练好的模型中，得到分类识别结果。
2.根据权利要求1所述的信号分类识别方法，其特征在于：所述S0中加噪总循环次数Ne的取值范围为50至100。
3.根据权利要求1所述的信号分类识别方法，其特征在于：S31中，有效数据阶数大于等于2，小于等于10且有效数据阶数大于等于分解次数；所述
Figure 531456DEST_PATH_IMAGE033
为第
Figure 185291DEST_PATH_IMAGE001
次加噪的
Figure 879578DEST_PATH_IMAGE013
分解得到的本征模函数分量。
4.根据权利要求1所述的信号分类识别方法，其特征在于：S5所述T大于等于1，且所述排列熵阈值
Figure 108303DEST_PATH_IMAGE034
的取值范围为0.55至0.65。
5.根据权利要求1所述的信号分类识别方法，其特征在于：S8所述训练数据集与测试数据集的比例范围为D：10-D，且D大于等于5小于等于9.5。
6.根据权利要求1所述的信号分类识别方法，其特征在于：S9所述一个样本的径向积分双谱特征矩阵，通过如下子步骤获取：
S91、将每个样本分成K段，每段包含M个数据，并记KM 为N；
所述M为离散傅里叶变换的点数；
S92、分别将每个样本中的K段进行离散傅里叶变换，得到K段离散傅里叶变换系数；
S93、求出K段离散傅里叶变换系数的三重相关，得到K段三重相关；
S94、计算出K段三重相关的平均值得到当前样本的双谱估计，得到样本的双谱；
S95、对样本的双谱按照径向积分路径进行积分，得到径向积分双谱特征矩阵；
所述径向积分双谱特征矩阵反映出当前样本的非高斯分布信息及个体特征的同时，还保留了时移不变性、尺度变化性和相位保持性；
至此，从S91到S95，得到了一个样本的径向积分双谱特征矩阵。
7.根据权利要求1所述的信号分类识别方法，其特征在于：S10所述卷积层包括第一卷积层和第二卷积层；池化层包括第一池化层与第二池化层；全连接层包括第一全连接层和第二全连接层；
输入层与第一卷积层相连，第一卷积层与第一池化层相连，第一池化层与第二卷积层相连，第二卷积层与第二池化层相连，第二池化层与光栅层相连，光栅层与第一全连接层相连，第一全连接层与第二全连接层相连，第二全连接层与输出层相连；
所述输入层的输入为径向积分双谱特征矩阵，卷积层使用卷积核与输入层中输入的径向积分双谱特征矩阵中对应元素相乘求和得到对应元素的像素值，池化层对卷积层输出的对应元素像素值进行下采样以缩减图像尺度，缩减尺度的图像再经光栅层提取特征，全连接层将光栅层提取到的特征进行综合后给输出层，输出层给出分类识别结果。
8.根据权利要求1所述的信号分类识别方法，其特征在于：S11所述训练好的模型的参数包括卷积层的卷积核大小，池化层的下采样步长全连接层中每个神经元的权重参数。
CN202210782445.4A 2022-07-05 2022-07-05 一种信号分类识别方法 Active CN114881093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210782445.4A CN114881093B (zh) 2022-07-05 2022-07-05 一种信号分类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210782445.4A CN114881093B (zh) 2022-07-05 2022-07-05 一种信号分类识别方法

Publications (2)

Publication Number Publication Date
CN114881093A true CN114881093A (zh) 2022-08-09
CN114881093B CN114881093B (zh) 2022-11-18

Family

ID=82683476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210782445.4A Active CN114881093B (zh) 2022-07-05 2022-07-05 一种信号分类识别方法

Country Status (1)

Country Link
CN (1) CN114881093B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115281676A (zh) * 2022-10-08 2022-11-04 齐鲁工业大学 基于gru神经网络和ecg信号的疲劳检测方法
CN115422984A (zh) * 2022-11-04 2022-12-02 北京理工大学 一种基于时间尺度信号分解及熵特征的信号分类方法
CN116660876A (zh) * 2023-05-26 2023-08-29 吉林大学 一种中华白海豚回声定位信号自动检测和定位方法
CN117498982A (zh) * 2023-11-03 2024-02-02 郑州佛光发电设备股份有限公司 基于频谱感知的无人机通信干扰抑制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767785A (zh) * 2019-03-06 2019-05-17 河北工业大学 基于卷积神经网络的环境噪声识别分类方法
CN110224956A (zh) * 2019-05-06 2019-09-10 安徽继远软件有限公司 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法
CN110327055A (zh) * 2019-07-29 2019-10-15 桂林电子科技大学 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767785A (zh) * 2019-03-06 2019-05-17 河北工业大学 基于卷积神经网络的环境噪声识别分类方法
CN110224956A (zh) * 2019-05-06 2019-09-10 安徽继远软件有限公司 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法
CN110327055A (zh) * 2019-07-29 2019-10-15 桂林电子科技大学 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115281676A (zh) * 2022-10-08 2022-11-04 齐鲁工业大学 基于gru神经网络和ecg信号的疲劳检测方法
CN115422984A (zh) * 2022-11-04 2022-12-02 北京理工大学 一种基于时间尺度信号分解及熵特征的信号分类方法
CN116660876A (zh) * 2023-05-26 2023-08-29 吉林大学 一种中华白海豚回声定位信号自动检测和定位方法
CN117498982A (zh) * 2023-11-03 2024-02-02 郑州佛光发电设备股份有限公司 基于频谱感知的无人机通信干扰抑制方法

Also Published As

Publication number Publication date
CN114881093B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN114881093B (zh) 一种信号分类识别方法
CN112347871B (zh) 一种用于通信载波监视系统的干扰信号调制识别方法
CN112749633B (zh) 分离与重构的个体辐射源识别方法
Yang et al. One-dimensional deep attention convolution network (ODACN) for signals classification
CN114692665A (zh) 基于度量学习的辐射源开集个体识别方法
CN111050315A (zh) 一种基于多核双路网络的无线发射机识别方法
CN116047427B (zh) 一种小样本雷达有源干扰识别方法
Tan et al. Specific emitter identification based on software-defined radio and decision fusion
Huang et al. Radar waveform recognition based on multiple autocorrelation images
CN114943245A (zh) 一种基于数据增强和特征嵌入的自动调制识别方法和装置
CN115097396A (zh) 基于cnn和lstm串联模型的雷达有源干扰识别方法
CN110826425B (zh) 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法
Li et al. A novel time-domain graph tensor attention network for specific emitter identification
CN116471154A (zh) 基于多域混合注意力的调制信号识别方法
Ali et al. Modulation format identification using supervised learning and high-dimensional features
CN114757224A (zh) 一种基于持续学习和联合特征提取的特定辐射源识别方法
Zha et al. Intelligent identification technology for high‐order digital modulation signals under low signal‐to‐noise ratio conditions
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
CN116343032A (zh) 结合高斯回归混合模型和mrf高光谱函数数据的分类方法
Jingpeng et al. Modulation recognition algorithm using innovative CNN and cyclic-spectrum graph
CN110516566B (zh) 一种基于卷积层的滤波方法及装置
CN114501329A (zh) 一种基于1d-cnn的室内定位模型的环境自适应训练方法及装置
Fan et al. A Hybrid Approach for Signal Modulation Recognition Using Deep Learning Methods
CN110119782A (zh) 基于fpga的sar图像变化检测方法
CN117768278B (zh) 一种基于混合型复数神经网络的调制识别方法

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