CN115577239A - 一种电磁信号开集识别方法、装置及电子设备、存储介质 - Google Patents

一种电磁信号开集识别方法、装置及电子设备、存储介质 Download PDF

Info

Publication number
CN115577239A
CN115577239A CN202211174043.2A CN202211174043A CN115577239A CN 115577239 A CN115577239 A CN 115577239A CN 202211174043 A CN202211174043 A CN 202211174043A CN 115577239 A CN115577239 A CN 115577239A
Authority
CN
China
Prior art keywords
electromagnetic signal
feature
class
target test
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
CN202211174043.2A
Other languages
English (en)
Inventor
周华吉
徐杰
郑仕链
焦李成
楼财义
杨小牛
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.)
CETC 36 Research Institute
Original Assignee
CETC 36 Research Institute
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 CETC 36 Research Institute filed Critical CETC 36 Research Institute
Priority to CN202211174043.2A priority Critical patent/CN115577239A/zh
Publication of CN115577239A publication Critical patent/CN115577239A/zh
Pending legal-status Critical Current

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
    • G06N3/08—Learning methods

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)
  • Image Analysis (AREA)

Abstract

本申请公开了一种电磁信号开集识别方法、装置及电子设备、存储介质。本申请的方法包括：获取目标测试样本集合和最优卷积神经网络；将目标测试样本集合中每个目标测试样本分别输入最优卷积神经网络，获得最优卷积神经网络的激活层输出的每个目标测试样本的特征数据；根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，根据属于同一已知电磁信号类别的目标测试样本的特征数据与该已知电磁信号类别的特征中心之间的特征相似度和特征距离，确定该已知电磁信号类别的相似度判决阈值和距离判决阈值；利用最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号。

Description

一种电磁信号开集识别方法、装置及电子设备、存储介质
技术领域
本申请涉及信号处理技术领域，尤其涉及一种电磁信号开集识别方法、装置及电子设备、存储介质。
背景技术
电磁信号识别在电磁频谱监测、认知无线电、网络空间安全等领域发挥着重要作用。通常意义上的电磁信号识别是指通过计算输入电磁信号样本与已知信号库中样本的相似度来给出输入信号的识别结果。因此，存在两类识别问题：
第一，无拒识的闭集(Close Set)电磁信号识别，即假定输入的电磁信号一定属于信号库中的某个个体；
第二，有拒识的开集(Open Set)识别，即首先对输入电磁信号是否属于已知信号库做出判断，在确定的基础上再给出识别结果。
在现实场景中，电磁信号识别系统面临更多的是开放的电磁环境，不仅有已知信号，还有未知信号。和不能对未知信号进行拒识的闭集信号识别技术相比，开集信号识别技术不仅能对已知信号进行识别，还能对未知信号进行拒识，因而更加符合识别系统的实际应用，更具研究意义。
深度神经网络因其强大的函数表达能力和自动特征提取能力被利用到电磁信号识别中。目前，现有技术将卷积神经网络应用到开集识别中，直接利用分类层(例如Softmax分类层)输出结果，作为输入电磁信号接收或者拒识的依据。但如果输入电磁信号并没有在训练集中出现过，那么直接用分类层的分类结果作为判别该输入电磁信号是否为未知样本，并不科学，而且开集识别效果也并不令人满意。
针对上述问题，有研究人员提出利用Softmax分类层的前一层(又称为激活层)作为特征层，利用最近邻算法求取测试样本与已知类别各样本之间特征距离最小者，通过与预设的阈值进行比较，来确定接收或拒绝测试样本所属的类，但是该方法仅使用单一的特征来衡量样本差异，识别精度有待提高。
发明内容
本申请实施例提供了一种电磁信号开集识别方法、装置及电子设备、存储介质，以提高电磁信号开集识别准确度。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种电磁信号开集识别方法，包括：
获取目标测试样本集合和最优卷积神经网络，所述最优卷积神经网络是基于样本数据集训练优化得到的、用于识别电磁信号类别的卷积神经网络，所述目标测试样本集合是所述样本数据集中被最优卷积神经网络正确分类的测试样本的集合；
将所述目标测试样本集合中每个目标测试样本分别输入所述最优卷积神经网络，获得所述最优卷积神经网络的激活层输出的每个目标测试样本的特征数据；
根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，根据属于同一已知电磁信号类别的目标测试样本的特征数据与该已知电磁信号类别的特征中心之间的特征相似度和特征距离，确定该已知电磁信号类别的相似度判决阈值和距离判决阈值；
利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号。
可选地，所述利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号，包括：
将输入电磁信号输入至最优卷积神经网络，获得激活层输出的输入电磁信号的特征数据；
根据输入电磁信号的特征数据确定输入电磁信号的预计类别，所述预计类别为所述已知电磁信号类别中的一种；
获取输入电磁信号的特征数据与该预计类别对应的特征中心之间的特征相似度和特征距离；
如果输入电磁信号对应的特征相似度大于该预计类别对应的预设相似度极大值，确定该输入电磁信号为已知类别信号，该输入电磁信号的预计类别为最终类别；
如果输入电磁信号对应的特征相似度不大于所述预设相似度极大值，若输入电磁信号对应的特征距离小于该预设类别对应的距离判决阈值，或者输入电磁信号对应的特征相似度大于该预设类别对应的相似度判决阈值，确定该输入电磁信号为已知类别信号，该输入电磁信号的预计类别为最终类别；
否则，确定该输入电磁信号为未知类别信号。
可选地，所述特征数据包括多个特征值，所述根据输入电磁信号的特征数据确定输入电磁信号的预计类别，包括：
获取输入电磁信号的特征数据中的最大特征值；
利用最优卷积神经网络的分类层识别所述最大特征值对应的已知电磁信号类别；
将所述最大特征值对应的已知电磁信号类别确定为输入电磁信号的预计类别。
可选地，通过下述步骤确定各个已知电磁信号类别的相似度判决阈值：
计算属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征相似度并按照从小到大排序，得到相似度序列；
将相似度序列中前Q个最小的特征相似度的平均值作为该已知电磁信号类别的相似度判决阈值，Q为大于1的自然数。
可选地，通过下述步骤确定各个已知电磁信号类别的距离判决阈值：
计算属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征距离并按照从大到小排序，得到特征距离序列；
将特征距离序列中前R个最大的特征相似度的平均值作为该已知电磁信号类别的距离判决阈值，R为大于1的自然数。
可选地，所述根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，包括：
将属于同一已知电磁信号类别的目标测试样本的特征数据的加权平均结果确定为已知电磁信号类别的特征中心。
可选地，所述样本数据集包括测试样本及标签，所述标签包括类别标签，所述获取目标测试样本集合，包括：
利用最优卷积神经网络分别识别测试数据集中的每个测试样本，通过最优卷积神经网络的分类层识别每个测试样本对应的已知电磁信号类别；
若识别到的已知电磁信号类别与该测试样本的类别标签对应相同，将该测试样本添加到目标测试样本集合中。
第二方面，本申请实施例还提供一种电磁信号开集识别装置，包括：
获取单元，用于获取目标测试样本集合和最优卷积神经网络，所述最优卷积神经网络是基于样本数据集训练优化得到的、用于识别电磁信号类别的卷积神经网络，所述目标测试样本集合是所述样本数据集中被最优卷积神经网络正确分类的测试样本的集合；
第一计算单元，用于将所述目标测试样本集合中每个目标测试样本分别输入所述最优卷积神经网络，获得所述最优卷积神经网络的激活层输出的每个目标测试样本的特征数据；
第二计算单元，用于根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，根据属于同一已知电磁信号类别的目标测试样本的特征数据与该已知电磁信号类别的特征中心之间的特征相似度和特征距离，确定该已知电磁信号类别的相似度判决阈值和距离判决阈值；
识别单元，用于利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号。
第三方面，本申请实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述实施例的电磁信号开集识别方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述实施例的电磁信号开集识别方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例利用卷积神经网络强大的特征表征能力，以电磁信号的激活层特征数据为基础，利用样本数据集中的目标测试样本的激活层特征数据构建各已知电磁信号类别的特征中心，再根据目标测试样本的激活层特征数据与各已知电磁信号类别的特征中心的相关性特征和距离特征确定各已知电磁信号类别的相似度判决阈值和距离判决阈值；在对输入电磁信号进行识别时，可以基于卷积神经网络和各已知电磁信号类别对应的相似度判决阈值和距离判决阈值准确识别出输入电磁信号是否为已知类别信号，实现已知类别信号的准确识别，未知类别信号的高效拒识，通过两个维度的特征的度量方法的有机结合实现电磁信号的准确识别。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一个实施例中示出的电磁信号开集识别方法流程图；
图2为本申请一个实施例中示出的电磁信号处理流程示意图；
图3为本申请一个实施例中示出的卷积神经网络的结构示意图；
图4为本申请一个实施例中示出的电磁信号开集识别流程图；
图5为本申请一个实施例中示出的电磁信号开集识别装置的结构示意图；
图6为本申请一个实施例中示出的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请一个实施例中示出的电磁信号开集识别方法流程图，如图1所示，本申请实施例的方法至少包括下述步骤S110至步骤S140：
步骤S110，获取目标测试样本集合和最优卷积神经网络，所述最优卷积神经网络是基于样本数据集训练优化得到的、用于识别电磁信号类别的卷积神经网络，所述目标测试样本集合是所述样本数据集中被最优卷积神经网络正确分类的测试样本的集合。
本申请中的样本数据集包括测试样本及标签，所述标签包括类别标签，类别标签是用于指示该测试样本所属的电磁信号类别，测试样本是指能够反应电磁信号属性的特征参数，例如信号幅度特征，通过对电磁信号样本进行相应处理，能够得到电磁信号的测试样本。
为了对卷积神经网络进行训练优化，本申请将样本数据集按照一定比例分为训练数据集和测试数据集，其中训练数据集用于训练卷积神经网络，测试数据集用于优化训练后的卷积神经网络，以获得预期分类效果的最优卷积神经网络。
在得到最优卷积神经网络之后，根据测试样本的类别标签可以确定样本数据集中能够被最优卷积神经网络正确分类的测试样本，本申请是以能够被最优卷积神经网络正确分类的目标测试样本的类别作为电磁信号开集识别的信号库，假设信号库包括c个已知电磁信号类别，若输入电磁信号的类别属于信号库中的已知电磁信号类别，则本申请能够正确识别出该输入电磁信号，若输入电磁信号的类别不属于信号库中的任一已知电磁信号类别，则本申请能够准确拒识。
本申请中的最优卷积神经网络包括基本层、激活层和分类层，其中激活层是指位于分类层前一层的全连接层。例如图2所示的卷积神经网络，包括依次连接的K个基本层，激活层和Softmax层，K为大于或等于1的整数。一般地，基本层包括卷积层、ReLu(RectifiedLinear，线性修正单元)层和池化层。其中卷积层对信号进行卷积处理、提取特征；ReLu层对输入特征图进行非线性变换；池化层对输入特征图进行降维，提取主要特征，降低网络计算复杂度；激活层连接所有的特征，并将输出值通过softmax分类器进行分类。
应理解的是，本申请各个实施例不限定最优卷积神经网络的网络结构，只要在分类层之前存在全连接层即可。
步骤S120，将所述目标测试样本集合中每个目标测试样本分别输入所述最优卷积神经网络，获得所述最优卷积神经网络的激活层输出的每个目标测试样本的特征数据。
考虑到卷积神经网络的激活层保留了信号的高语义特征，信号的特征信息较为丰富完整，本申请利用激活层输出的特征数据构建各个已知电磁信号类别对应的判决阈值，能够提高信号识别的准确度。
步骤S130，根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，根据属于同一已知电磁信号类别的目标测试样本的特征数据与该已知电磁信号类别的特征中心之间的特征相似度和特征距离，确定该已知电磁信号类别的相似度判决阈值和距离判决阈值。
与现有技术不同的是，本申请基于统计学算法，根据属于同一已知电磁信号类别的目标测试样本的特征数据和该已知电磁信号类别的特征中心计算出特征相似度和特征距离两个维度的特征，基于这两个维度的特征构建出每个已知电磁信号类别对应的相似度判决阈值和距离判决阈值，使得在后续的输入电磁信号识别过程中，可以基于特征相似度和特征距离与其对应的相似度判决阈值和距离判决阈值的关系进行输入电磁信号的准确识别。
步骤S140，利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号。
如图1所示可知，本申请实施例利用卷积神经网络强大的特征表征能力，以电磁信号的激活层特征数据为基础，利用样本数据集中的目标测试样本的激活层特征数据构建各已知电磁信号类别的特征中心，再根据目标测试样本的激活层特征数据与各已知电磁信号类别的特征中心的相关性特征和距离特征确定各已知电磁信号类别的相似度判决阈值和距离判决阈值；在对输入电磁信号进行识别时，可以基于卷积神经网络和各已知电磁信号类别对应的相似度判决阈值和距离判决阈值准确识别出输入电磁信号是否为已知类别信号，实现已知类别信号的准确识别，未知类别信号的高效拒识，通过两个维度的特征的度量方法的有机结合实现电磁信号的准确识别。
在本申请的一些实施例中，可以按照图2所示构建样本数据集。如图2所示，通过天线接收单元接收电磁信号，电磁信号经过采样并进行数字正交变换后得到I路信号xI(n)和Q路信号xQ(n)，并按照下式计算得到信号幅度A(n)：
Figure BDA0003863505540000081
其中，式(1)中的n为大于等于1的正整数。
将多个已知电磁信号类型的电磁信号的信号幅度作为测试样本构建样本数据集。例如共采集到N个信号幅度，这N个信号幅度共对应c个电磁信号类别，将样本数据集中的N个信号幅度进行标注，得到测试样本及类别标签。例如样本数据集中的测试样本可以表示为
Figure BDA0003863505540000091
将样本数据集中的测试样本按照一定的比例划分为训练数据集和测试数据集，一般训练数据集的样本数量略多于测试数据集的样本数量，例如样本数量的比例为6:4。假设训练数据集中包含M个样本数据，M<N，训练数据集中的样本数据可以表示为
Figure BDA0003863505540000092
测试数据集中的样本数据可以表示为
Figure BDA0003863505540000093
由于信号幅度具备获取方便、能够较好地反应信号特征的优势，本实施例在此示出基于信号幅度构建数据集的过程。在实际应用中，本领域技术人员可以灵活选择信号特征构建样本数据集。
在本申请的一些实施例中，预先构建了用于识别电磁信号类别的卷积神经网络。例如图3所示的卷积神经网络，包括K个基本层，激活层和Softmax层，其中基本层包括卷积层、ReLu层和池化层。卷积层对信号进行卷积处理、提取特征；ReLu层对输入特征图进行非线性变换；池化层对输入特征图进行降维，提取主要特征，降低网络计算复杂度；激活层连接所有的特征，并将输出值通过softmax分类器进行分类。
本实施例利用训练数据集中的训练样本
Figure BDA0003863505540000094
训练卷积神经网络，并利用测试数据集中的测试样本
Figure BDA0003863505540000095
评估训练过程中卷积神经网络的性能，根据测试准确率调制学习率，一般准确率要达到95％以上，作为训练算法结束的依据，即当准确率达到一定阈值时，算法训练停止迭代更新，得到最优卷积神经网络，保证最优卷积神经网络具有较好的分类性能。
需要说明的是，训练数据集中的M个训练样本涵盖所有已知类别，测试数据集中的N-M个测试样本亦涵盖所有已知类别，保证卷积神经网络对电磁信号的开集识别准确度。
在得到最优卷积神经网络之后，先利用最优卷积神经网络分别识别测试数据集中的每个测试样本，通过最优卷积神经网络的分类层识别每个测试样本对应的已知电磁信号类别，若识别到的已知电磁信号类别与该测试样本的类别标签对应相同，将该测试样本添加到目标测试样本集合中。
进一步的，在得到目标测试样本集合之后，还可以根据目标测试样本的类别标签对目标测试样本进行分类，得到属于同一已知电磁信号类别的目标测试样本。
在得到属于同一已知电磁信号类别的目标测试样本之后，将目标测试样本输入最优卷积神经网络，获得激活层输出的目标测试样本的特征数据。假设激活层输出的特征数据表示为V(x)＝v1(x)...vc(x)，c为分类层的分类数。那么激活层输出的目标测试样本的特征数据可以表示为Si,j＝Vj(xi,j)，i为信号序号，j为目标测试样本的类别，j＝1,2,...,c。
接着，计算各个已知电磁信号类别的特征中心，本实施例是将属于同一已知电磁信号类别的目标测试样本的特征数据的加权平均结果确定为已知电磁信号类别的特征中心，数学表示为uj＝meani(Si,j)，uj为第j类已知电磁信号类别的特征中心。
然后，计算属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征相似度，例如基于皮尔逊相关系数算法计算该特征相似度，计算公式参考式(2)：
Figure BDA0003863505540000101
其中，式(2)中X＝Si,j,Y＝μj，
Figure BDA0003863505540000102
为X1,X2,...XN的均值，
Figure BDA0003863505540000103
为Y1,Y2,...YN的均值。
计算属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征距离，例句计算两者的欧式距离，计算公式参考式(3)：
Figure BDA0003863505540000111
其中，式(3)中X＝Si,j,Y＝μj。
需要说明的是，本实施例在此示出采用皮尔逊相关系数计算特征相似度w，计算属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的欧式距离，在实际应用中，本领域技术人员可以灵活选择特征相似度w的计算方法和特征距离的类型。
在得到属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征相似度之后，可以按照从小到大的顺序对特征相似度进行排序，得到相似度序列，将相似度序列中前Q个最小的特征相似度的平均值作为该已知电磁信号类别的相似度判决阈值Thw，Q为大于1的自然数，可选地，Q为5～10之间的一个自然数。
如此，在得到属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征距离之后，可以按照从大到小的顺序对特征距离进行排序，得到特征距离序列，将特征距离序列中前R个最大的特征相似度的平均值作为该已知电磁信号类别的距离判决阈值Thd，R为大于1的自然数，可选地，R为5～10之间的一个自然数。
如此，通过上述实施例完成电磁信号开集识别模型，当接收到待识别的输入电磁信号Xin时，将输入电磁信号Xin输入至最优卷积神经网络，获得激活层输出的输入电磁信号的特征数据V(Xin)＝v1(x),...,vN(x)；根据输入电磁信号的特征数据V(Xin)＝v1(x),...,vN(x)确定输入电磁信号的预计类别P，所述预计类别为所述已知电磁信号类别中的一种；获取输入电磁信号Xin的特征数据与该预计类别对应的特征中心之间的特征相似度wP和特征距离dP；如果输入电磁信号对应的特征相似度wP大于该预计类别P对应的预设相似度极大值(例如0.980或0.985)，确定该输入电磁信号为已知类别信号，该输入电磁信号Xin的预计类别P为最终类别。
如果输入电磁信号Xin对应的特征相似度wP不大于所述预设相似度极大值，若输入电磁信号Xin对应的特征距离dP小于该预设类别对应的距离判决阈值ThdP，或者输入电磁信号Xin对应的特征相似度wP大于该预设类别对应的相似度判决阈值ThwP，确定该输入电磁信号为已知类别信号，该输入电磁信号的预计类别P为最终类别；
否则，确定该输入电磁信号为未知类别信号。
其中，本实施例中激活层输出的特征数据包括多个特征值，本实施例通过下述步骤确定输入电磁信号的预计类别P：
获取输入电磁信号的特征数据中的最大特征值；
利用最优卷积神经网络的分类层识别所述最大特征值对应的已知电磁信号类别；
将所述最大特征值对应的已知电磁信号类别确定为输入电磁信号的预计类别。
由于最大特征值表示该输入电磁信号最可能为P类电磁信号，即最大特征值对应为P类电磁信号的概率最大，若最大特征值与P类电磁信号的特征中心之间的特征相似度都小于P类电磁信号的判决阈值，那么可以确定其他特征值与P类电磁信号的特征中心之间的特征相似度一定都小于P类电磁信号的相似度判决阈值。同理，若最大特征值与P类电磁信号的特征中心之间的特征距离都大于P类电磁信号的特征距离判决阈值，那么可以确定其他特征值与P类电磁信号的特征中心之间的特征距离一定都大于P类电磁信号的特征距离判决阈值。因此，本实施例为提高计算效率是将待识别电磁信号的特征数据中最大特征值对应的信号类别，确定为待识别的输入电磁信号的预计类别。
为便于理解上述各个实施例，结合图2和图4详细说明本实施例的电磁信号开集识别过程：
在接收到待识别的输入电磁信号时，按照图2所示，将模拟的输入电磁信号进行采样以及数字正交化处理，得到输入电磁信号的信号幅度。如图4所示，将输入电磁信号的信号幅度Xin输入到最优卷积神经网络中，获得激活层输出的特征数据V(Xin)＝v1(x),...,vN(x)，取出最大特征值vm(x)，1≤m≤N，得到该最大特征值vm(x)对应的类别标签P，类别标签可从分类层获得：分类层共有N个类别标签，假设第m个标签即为P。
计算该信号激活层输出的输入电磁信号的特征数据V(Xin)＝v1(x),...,vN(x)与P类电磁信号对应的特征中心uP的特征相似度wP,当wP大于0.985时，确定输入电磁信号Xin为已知类别信号，信号类别为P类电磁信号；
当wP不大于0.985时，若特征相似度wP大于ThwP，或者特征距离dP小于ThdP，确定输入电磁信号Xin为已知类别信号，信号类别为P类电磁信号；
否则，确定输入电磁信号Xin为未知类别信号。
基于本申请的上述实施例提供的基于混合度量机制的电磁信号开集识别方法，克服了传统开集识别中仅使用单一的特征来衡量样本差异，识别精度不够高的问题，本申请引入了基于特征相似度和特征距离两个维度的混合度量机制，能够克服单一度量机制进行开集识别时较易将部分已知类别信号误判为未知类别信号的问题，通过不同特征对应的度量手段之间的相互制约关系，提高电磁信号的开集识别效果，实现已知类别信号准确分类识别，未知类别信号精确拒识。
本申请实施例还提供一种电磁信号开集识别装置，用于实现如上任一实施例中的电磁信号开集识别方法。
图5为本申请一个实施例中示出的电磁信号开集识别装置的结构示意图，如图5所示，电磁信号开集识别装置500包括：
获取单元510，用于获取目标测试样本集合和最优卷积神经网络，所述最优卷积神经网络是基于样本数据集训练优化得到的、用于识别电磁信号类别的卷积神经网络，所述目标测试样本集合是所述样本数据集中被最优卷积神经网络正确分类的测试样本的集合；
第一计算单元520，用于将所述目标测试样本集合中每个目标测试样本分别输入所述最优卷积神经网络，获得所述最优卷积神经网络的激活层输出的每个目标测试样本的特征数据；
第二计算单元530，用于根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，根据属于同一已知电磁信号类别的目标测试样本的特征数据与该已知电磁信号类别的特征中心之间的特征相似度和特征距离，确定该已知电磁信号类别的相似度判决阈值和距离判决阈值；
识别单元540，用于利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号。
在一些实施例中，识别单元540，用于将输入电磁信号输入至最优卷积神经网络，获得激活层输出的输入电磁信号的特征数据；根据输入电磁信号的特征数据确定输入电磁信号的预计类别，所述预计类别为所述已知电磁信号类别中的一种；获取输入电磁信号的特征数据与该预计类别对应的特征中心之间的特征相似度和特征距离；如果输入电磁信号对应的特征相似度大于该预计类别对应的预设相似度极大值，确定该输入电磁信号为已知类别信号，该输入电磁信号的预计类别为最终类别；如果输入电磁信号对应的特征相似度不大于所述预设相似度极大值，若输入电磁信号对应的特征距离小于该预设类别对应的距离判决阈值，或者输入电磁信号对应的特征相似度大于该预设类别对应的相似度判决阈值，确定该输入电磁信号为已知类别信号，该输入电磁信号的预计类别为最终类别；否则，确定该输入电磁信号为未知类别信号。
在一些实施例中，所述特征数据包括多个特征值，识别单元540，具体用于获取输入电磁信号的特征数据中的最大特征值；利用最优卷积神经网络的分类层识别所述最大特征值对应的已知电磁信号类别；将所述最大特征值对应的已知电磁信号类别确定为输入电磁信号的预计类别。
在一些实施例中，第二计算单元530包括相似度判决阈值计算模块和特征距离判决阈值计算模块；
相似度判决阈值计算模块，用于计算属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征相似度并按照从小到大排序，得到相似度序列；将相似度序列中前Q个最小的特征相似度的平均值作为该已知电磁信号类别的相似度判决阈值，Q为大于1的自然数。
特征距离判决阈值计算模块，用于计算属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征距离并按照从大到小排序，得到特征距离序列；将特征距离序列中前R个最大的特征相似度的平均值作为该已知电磁信号类别的距离判决阈值，R为大于1的自然数。
在一些实施例中，所述特征数据包括多个特征值，信号识别单元540，还用于将待识别电磁信号的特征数据中最大特征值对应的信号类别，确定为待识别电磁信号的类别。
在一些实施例中，第二计算单元530还包括特征中心计算模块，用于将属于同一已知电磁信号类别的目标测试样本的特征数据的加权平均结果确定为已知电磁信号类别的特征中心。
在一些实施例中，所述样本数据集包括测试样本及标签，所述标签包括类别标签，获取单元510包括目标测试样本集合获取模块，用于利用最优卷积神经网络分别识别测试数据集中的每个测试样本，通过最优卷积神经网络的分类层识别每个测试样本对应的已知电磁信号类别；若识别到的已知电磁信号类别与该测试样本的类别标签对应相同，将该测试样本添加到目标测试样本集合中。
能够理解，上述电磁信号开集识别装置，能够实现前述实施例中提供的电磁信号开集识别方法的各个步骤，关于电磁信号开集识别方法的相关阐释均适用电磁信号开集识别装置，此处不再赘述。
图6为本申请一个实施例中示出的一种电子设备的结构示意图，请参考图6，在硬件层面，该电子设备包括处理器和存储器，可选地还包括内部总线、网络接口。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成电磁信号开集识别装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取目标测试样本集合和最优卷积神经网络，所述最优卷积神经网络是基于样本数据集训练优化得到的、用于识别电磁信号类别的卷积神经网络，所述目标测试样本集合是所述样本数据集中被最优卷积神经网络正确分类的测试样本的集合；
将所述目标测试样本集合中每个目标测试样本分别输入所述最优卷积神经网络，获得所述最优卷积神经网络的激活层输出的每个目标测试样本的特征数据；
根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，根据属于同一已知电磁信号类别的目标测试样本的特征数据与该已知电磁信号类别的特征中心之间的特征相似度和特征距离，确定该已知电磁信号类别的相似度判决阈值和距离判决阈值；
利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号。
上述如本申请图1所示实施例揭示的电磁信号开集识别装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述电磁信号开集识别方法的步骤。
该电子设备还可执行图1中电磁信号开集识别装置执行的方法，并实现电磁信号开集识别装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中电磁信号开集识别装置执行的方法，并具体用于执行：
获取目标测试样本集合和最优卷积神经网络，所述最优卷积神经网络是基于样本数据集训练优化得到的、用于识别电磁信号类别的卷积神经网络，所述目标测试样本集合是所述样本数据集中被最优卷积神经网络正确分类的测试样本的集合；
将所述目标测试样本集合中每个目标测试样本分别输入所述最优卷积神经网络，获得所述最优卷积神经网络的激活层输出的每个目标测试样本的特征数据；
根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，根据属于同一已知电磁信号类别的目标测试样本的特征数据与该已知电磁信号类别的特征中心之间的特征相似度和特征距离，确定该已知电磁信号类别的相似度判决阈值和距离判决阈值；
利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意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、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种电磁信号开集识别方法，其特征在于，所述方法包括：
获取目标测试样本集合和最优卷积神经网络，所述最优卷积神经网络是基于样本数据集训练优化得到的、用于识别电磁信号类别的卷积神经网络，所述目标测试样本集合是所述样本数据集中被最优卷积神经网络正确分类的测试样本的集合；
将所述目标测试样本集合中每个目标测试样本分别输入所述最优卷积神经网络，获得所述最优卷积神经网络的激活层输出的每个目标测试样本的特征数据；
根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，根据属于同一已知电磁信号类别的目标测试样本的特征数据与该已知电磁信号类别的特征中心之间的特征相似度和特征距离，确定该已知电磁信号类别的相似度判决阈值和距离判决阈值；
利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号。
2.根据权利要求1所述的方法，其特征在于，所述利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号，包括：
将输入电磁信号输入至最优卷积神经网络，获得激活层输出的输入电磁信号的特征数据；
根据输入电磁信号的特征数据确定输入电磁信号的预计类别，所述预计类别为所述已知电磁信号类别中的一种；
获取输入电磁信号的特征数据与该预计类别对应的特征中心之间的特征相似度和特征距离；
如果输入电磁信号对应的特征相似度大于该预计类别对应的预设相似度极大值，确定该输入电磁信号为已知类别信号，该输入电磁信号的预计类别为最终类别；
如果输入电磁信号对应的特征相似度不大于所述预设相似度极大值，若输入电磁信号对应的特征距离小于该预设类别对应的距离判决阈值，或者输入电磁信号对应的特征相似度大于该预设类别对应的相似度判决阈值，确定该输入电磁信号为已知类别信号，该输入电磁信号的预计类别为最终类别；
否则，确定该输入电磁信号为未知类别信号。
3.根据权利要求2所述的方法，其特征在于，所述特征数据包括多个特征值，所述根据输入电磁信号的特征数据确定输入电磁信号的预计类别，包括：
获取输入电磁信号的特征数据中的最大特征值；
利用最优卷积神经网络的分类层识别所述最大特征值对应的已知电磁信号类别；
将所述最大特征值对应的已知电磁信号类别确定为输入电磁信号的预计类别。
4.根据权利要求1所述的方法，其特征在于，通过下述步骤确定各个已知电磁信号类别的相似度判决阈值：
计算属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征相似度并按照从小到大排序，得到相似度序列；
将相似度序列中前Q个最小的特征相似度的平均值作为该已知电磁信号类别的相似度判决阈值，Q为大于1的自然数。
5.根据权利要求1所述的方法，其特征在于，通过下述步骤确定各个已知电磁信号类别的距离判决阈值：
计算属于同一已知电磁信号类别的每个目标测试样本与该已知电磁信号类别的特征中心之间的特征距离并按照从大到小排序，得到特征距离序列；
将特征距离序列中前R个最大的特征相似度的平均值作为该已知电磁信号类别的距离判决阈值，R为大于1的自然数。
6.根据权利要求1所述的方法，其特征在于，所述根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，包括：
将属于同一已知电磁信号类别的目标测试样本的特征数据的加权平均结果确定为已知电磁信号类别的特征中心。
7.根据权利要求1所述的方法，其特征在于，所述样本数据集包括测试样本及标签，所述标签包括类别标签，所述获取目标测试样本集合，包括：
利用最优卷积神经网络分别识别测试数据集中的每个测试样本，通过最优卷积神经网络的分类层识别每个测试样本对应的已知电磁信号类别；
若识别到的已知电磁信号类别与该测试样本的类别标签对应相同，将该测试样本添加到目标测试样本集合中。
8.一种电磁信号开集识别装置，其特征在于，所述装置包括：
获取单元，用于获取目标测试样本集合和最优卷积神经网络，所述最优卷积神经网络是基于样本数据集训练优化得到的、用于识别电磁信号类别的卷积神经网络，所述目标测试样本集合是所述样本数据集中被最优卷积神经网络正确分类的测试样本的集合；
第一计算单元，用于将所述目标测试样本集合中每个目标测试样本分别输入所述最优卷积神经网络，获得所述最优卷积神经网络的激活层输出的每个目标测试样本的特征数据；
第二计算单元，用于根据属于同一已知电磁信号类别的目标测试样本的特征数据获得各个已知电磁信号类别的特征中心，根据属于同一已知电磁信号类别的目标测试样本的特征数据与该已知电磁信号类别的特征中心之间的特征相似度和特征距离，确定该已知电磁信号类别的相似度判决阈值和距离判决阈值；
识别单元，用于利用所述最优卷积神经网络和各个已知电磁信号类别的相似度判决阈值、距离判决阈值确定输入电磁信号是否为已知类别信号。
9.一种电子设备，包括：
处理器；
以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1-7之任一所述电磁信号开集识别方法。
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一个或多个程序，所述一个或多个程序当被处理器执行时，实现所述权利要求1-7之任一所述电磁信号开集识别方法。
CN202211174043.2A 2022-09-26 2022-09-26 一种电磁信号开集识别方法、装置及电子设备、存储介质 Pending CN115577239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211174043.2A CN115577239A (zh) 2022-09-26 2022-09-26 一种电磁信号开集识别方法、装置及电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211174043.2A CN115577239A (zh) 2022-09-26 2022-09-26 一种电磁信号开集识别方法、装置及电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN115577239A true CN115577239A (zh) 2023-01-06

Family

ID=84582207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211174043.2A Pending CN115577239A (zh) 2022-09-26 2022-09-26 一种电磁信号开集识别方法、装置及电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN115577239A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117155746A (zh) * 2023-10-31 2023-12-01 中孚安全技术有限公司 电磁信号的合并处理方法、系统及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117155746A (zh) * 2023-10-31 2023-12-01 中孚安全技术有限公司 电磁信号的合并处理方法、系统及介质
CN117155746B (zh) * 2023-10-31 2024-02-23 中孚安全技术有限公司 电磁信号的合并处理方法、系统及介质

Similar Documents

Publication Publication Date Title
CN109657696B (zh) 多任务监督学习模型训练、预测方法和装置
CN109639739B (zh) 一种基于自动编码器网络的异常流量检测方法
CN104573669A (zh) 图像物体检测方法
US11558810B2 (en) Artificial intelligence radio classifier and identifier
CN110728313B (zh) 一种用于意图分类识别的分类模型训练方法及装置
CN113762508A (zh) 一种图像分类网络模型的训练方法、装置、设备和介质
CN115577239A (zh) 一种电磁信号开集识别方法、装置及电子设备、存储介质
CN113919418A (zh) 基于小样本的分类模型训练方法、装置及电子设备
CN111310743A (zh) 人脸识别方法、装置、电子设备及可读存储介质
CN111507297A (zh) 一种基于度量信息矩阵的雷达信号识别方法及系统
CN105740916B (zh) 图像特征编码方法及装置
CN113791389B (zh) 一种未知雷达辐射源个体识别方法及系统
CN117523218A (zh) 标签生成、图像分类模型的训练、图像分类方法及装置
CN114254588B (zh) 数据标签处理方法和装置
CN116504230A (zh) 数据闭环方法、装置、计算机设备及计算机可读存储介质
CN114722867A (zh) 一种电磁信号开集识别方法、装置和电子设备
CN111582307B (zh) 签到结果判定方法、系统、存储介质、计算机程序、终端
US20220121891A1 (en) Labeling and data augmentation for graph data
CN116129872A (zh) 声纹特征构建方法、身份识别方法及相关装置
CN111539576B (zh) 一种风险识别模型的优化方法及装置
CN114662580A (zh) 数据分类模型的训练方法、分类方法、装置、设备和介质
CN114443878A (zh) 图像分类方法、装置、设备及存储介质
CN113284027A (zh) 团伙识别模型的训练方法、异常团伙识别方法及装置
CN114449435A (zh) 基于大间隔近邻的度量学习的指纹定位方法
CN116912920B (zh) 表情识别方法及装置

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