CN117056708A - 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 - Google Patents
一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 Download PDFInfo
- Publication number
- CN117056708A CN117056708A CN202311310228.6A CN202311310228A CN117056708A CN 117056708 A CN117056708 A CN 117056708A CN 202311310228 A CN202311310228 A CN 202311310228A CN 117056708 A CN117056708 A CN 117056708A
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- lstm
- ais
- cnn
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003786 synthesis reaction Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Abstract
本发明涉及AIS信号识别领域，公开了一种基于多尺度特征融合和CNN‑LSTM的AIS信号识别方法，包括通过射频开驱动器控制九元单通道均匀相控圆阵开关，捕获环境中特定频段的无线电波信号；射频开驱动器发送握手协议信号与开关矩阵取得通信；对需要打通的天线进行编码和驻留时间参数设置；通过宽频段大带宽接收机，把捕获到的无线电信号转换成数据基带信号，对每组天线采集数据进行抗干扰处理，得到优选的AIS信号数据；把优选的AIS信号数据，输入到多尺度特征融合和CNN‑LSTM网络中，经卷积核提取特征，将CNN层的输出作为LSTM的输入，随后LSTM层将整个时隙的时序特征进行计算，输出到Softmax层实现对AIS信号识别。通过本发明可以实现畸变AIS信号的还原。
Description
技术领域
本发明涉及AIS信号识别分析技术，具体是一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法及系统。
背景技术
由于当前的水面电磁环境日渐趋于复杂，AIS工作在甚高频，且AIS没有完善的信息纠正机制，使得AIS信号在此环境下出现饱和、频移、截断等波形畸变现象，严重干扰了航运交通信息的可靠性和完备性。为了提高AIS信号识别准确性，首先，需要在信号提取阶段识别尽可能多的AIS信号。其次，再对出现可逆畸变的AIS信号提出智能、完备的还原方案。最后，达到降低信号的误码率和丢失率的目的。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法，包括如下过程:
步骤一，通过射频开驱动器控制九元单通道均匀相控圆阵开关，捕获环境中特定频段的无线电波信号；射频开驱动器发送握手协议信号与开关矩阵取得通信；对需要打通的天线进行编码和驻留时间参数设置；其中的特定频段为预设的频段；
步骤二，通过宽频段大带宽接收机，把捕获到的无线电信号转换成数据基带信号，对每组天线采集数据进行抗干扰处理，得到优选的AIS信号数据；
步骤三，把优选的AIS信号数据，输入到多尺度特征融合和CNN-LSTM网络中，经卷积核提取特征，将CNN层的输出作为LSTM的输入，随后LSTM层将整个时隙的时序特征进行计算，输出到Softmax层实现对AIS信号识别。
进一步的，所述的对每组天线采集数据进行抗干扰处理，得到优选的AIS信号数据，包括：
步骤1. 发送握手协议信号与天线控制板取得通信，若未成功，启动延时重发机制，若成功，则进入步骤2；
步骤2. 对需要打通的天线组进行编码和驻留时间参数设置，并启动天线控制触发信号；
步骤3. 查询当前天线组i是否打通成功，若未成功，重发触发信号，若天线组i打通成功，则进行延时去抖，延时去抖后，按照上位机指令采集一组数据；
步骤4. 对采集到的一组数据进行排序，剔除异常数据值，进入步骤5；
步骤5. 按照驻留时间间隔，判断所有天线组中所有天线是否打通完成，若均已打通，启动下一组天线打通流程；若打通完成所有天线组，结束轮询，等待下次采集命令，得到优选后的AIS信号数据。
进一步的，所述的把优选的AIS信号数据，输入到多尺度特征融合和CNN-LSTM网络中，经卷积核提取特征，将CNN层的输出作为LSTM的输入，随后LSTM层将整个时隙的时序特征进行计算，输出到Softmax层实现对AIS信号识别，包括：
S1.对优选后AIS信号数据，进行多尺度特征提取，包括I/Q相位谱、能量谱密度谱、Haar小波分解谱，获得形状为3×2200的特征矩阵；
S2，把特征矩阵送入到卷积神经网络，通过卷积核对原始数据进行特征融合和感知，利用局部连接和权值共享提取输入波形数据的深度特征，池化层对卷积后的数据进行池化操作，通过两次卷积池化层，然后正则化舍弃部分参数，得到Dropout后的数据；
S3，把Dropout后的数据，送入到长短时记忆网络中，通过两层Dense，实现全连接，输出AIS识别结果。
进一步的，所述的对优选后AIS信号数据，进行多尺度特征提取，包括I/Q相位谱、能量谱密度谱、Haar小波分解谱，获得形状为3×2200的特征矩阵，包括：
I/Q相位：当AIS设备进行信号采集时，会获取I/Q两路信号，相邻相位作差存储码元序列信息；
能量谱密度：将信号的自相关函数进行FFT即可得到能量谱密度谱线，其计算公式为：
其中，X为信号，f为频率，E为能量谱密度：j为复数；
Haar小波分解；通过小波基函数的不同尺度缩放拟合被测信号中不同频率；
通过I/Q相位、能量谱密度、Haar小波分解三种信号预处理，每一个维度取2200数据点，获得形状为3×2200的特征矩阵。
一种基于多尺度特征融合和CNN-LSTM的AIS信号识别系统，应用所述的一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法，包括九元均匀相控圆阵、开关矩阵、宽频段大带宽接收机、计算机和射频开关驱动器；
所述的九元均匀相控圆阵采用九元相控阵列天线，圆阵的方向图是360°全方位无阵列模糊；通过相控阵列合成方式，使得天线获得高增益，提高系统监测灵敏度；
所述的开关矩阵用于打通不同天线组合，实现天线方向图自动合成；
所述的射频开关驱动器用于根据计算机给出的指令通过射频开关驱动器来控制矩阵开关的工作状态；
所述的宽频段大带宽接收机将分时两个天线阵元接收的被测信号数据提供给计算机进行处理；
所述的计算机用于控制数据采集的开始与结束，并且将采集到的数据通过软件进行处理，采集到的信号后将结果通过软件界面展示。
本发明的有益效果是：通过本发明所提供的技术方案，可以实现在未知干扰条件下AIS信号易发送饱和、频移、截断等波形畸变现象，考虑到AIS信号的时序相关性，并结合AIS原始波形的多尺度特征。利用CNN结构离散采样点邻域特征的提取能力获取时序形式的特征参数，以及LSTM结构的长短时记忆特性实现特征优化，进而完成畸变AIS信号的还原。
附图说明
图1为一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法的流程示意图；
图2为一种基于多尺度特征融合和CNN-LSTM的AIS信号识别系统的原理示意图；
图3为信号抗干扰算法工作流程的示意图；
图4为AIS信号识别算法工作流程示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
为了使本发明的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且，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，物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，物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，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1所示，一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法，包括如下过程:
步骤一，通过射频开驱动器控制九元单通道均匀相控圆阵开关，捕获环境中特定频段的无线电波信号；射频开驱动器发送握手协议信号与开关矩阵取得通信；对需要打通的天线进行编码和驻留时间参数设置；
步骤二，通过宽频段大带宽接收机，把捕获到的无线电信号转换成数据基带信号，对每组天线采集数据进行抗干扰处理，得到优选的AIS信号数据；
步骤三，把优选的AIS信号数据，输入到多尺度特征融合和CNN-LSTM网络中，经卷积核提取特征，将CNN层的输出作为LSTM的输入，随后LSTM层将整个时隙的时序特征进行计算，输出到Softmax层实现对AIS信号识别。
所述的对每组天线采集数据进行抗干扰处理，得到优选的AIS信号数据，包括：
步骤1. 发送握手协议信号与天线控制板取得通信，若未成功，启动延时重发机制，若成功，则进入步骤2；
步骤2. 对需要打通的天线组进行编码和驻留时间参数设置，并启动天线控制触发信号；
步骤3. 查询当前天线组i是否打通成功，若未成功，重发触发信号，若天线组i打通成功，则进行延时去抖，延时去抖后，按照上位机指令采集一组数据；
步骤4. 对采集到的一组数据进行排序，剔除异常数据值，进入步骤5；
步骤5. 按照驻留时间间隔，判断所有天线组中所有天线是否打通完成，若均已打通，启动下一组天线打通流程；若打通完成所有天线组，结束轮询，等待下次采集命令，得到优选后的AIS信号数据。
所述的把优选的AIS信号数据，输入到多尺度特征融合和CNN-LSTM网络中，经卷积核提取特征，将CNN层的输出作为LSTM的输入，随后LSTM层将整个时隙的时序特征进行计算，输出到Softmax层实现对AIS信号识别，包括：
S1.对优选后AIS信号数据，进行多尺度特征提取，包括I/Q相位谱、能量谱密度谱、Haar小波分解谱，获得形状为3×2200的特征矩阵；
S2，把特征矩阵送入到卷积神经网络，通过卷积核对原始数据进行特征融合和感知，利用局部连接和权值共享提取输入波形数据的深度特征，池化层对卷积后的数据进行池化操作，通过两次卷积池化层，然后正则化舍弃部分参数，得到Dropout后的数据；
S3，把Dropout后的数据，送入到长短时记忆网络中，通过两层Dense，实现全连接，输出AIS识别结果。
所述的对优选后AIS信号数据，进行多尺度特征提取，包括I/Q相位谱、能量谱密度谱、Haar小波分解谱，获得形状为3×2200的特征矩阵，包括：
I/Q相位：当AIS设备进行信号采集时，会获取I/Q两路信号，相邻相位作差存储码元序列信息；
能量谱密度：将信号的自相关函数进行FFT即可得到能量谱密度谱线，其计算公式为：
X为信号，f为频率；
Haar小波分解；通过小波基函数的不同尺度缩放拟合被测信号中不同频率；
通过I/Q相位、能量谱密度、Haar小波分解三种信号预处理，每一个维度取2200数据点，获得形状为3×2200的特征矩阵。
一种基于多尺度特征融合和CNN-LSTM的AIS信号识别系统，应用所述的一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法，包括九元均匀相控圆阵、开关矩阵、宽频段大带宽接收机、计算机和射频开关驱动器；
所述的九元均匀相控圆阵采用九元相控阵列天线，圆阵的方向图是360°全方位无阵列模糊；通过相控阵列合成方式，使得天线获得高增益，提高系统监测灵敏度；
所述的开关矩阵用于打通不同天线组合，实现天线方向图自动合成；
所述的射频开关驱动器用于根据计算机给出的指令通过射频开关驱动器来控制矩阵开关的工作状态；
所述的宽频段大带宽接收机将分时两个天线阵元接收的被测信号数据提供给计算机进行处理；
所述的计算机用于控制数据采集的开始与结束，并且将采集到的数据通过软件进行处理，采集到的信号后将结果通过软件界面展示。
具体的，提出了一种基于多尺度特征融合和CNN-LSTM网络的AIS信号识别方法。可以较好地实现信号的自动提取而且信号漏检率低，减小了饱和、频移、截断等波形畸变可能造成的信号信息不准、虚信号等问题。
本发明通过下述技术方案实现: AIS信号识别方法，包括以下步骤:
首先，工业计算机实现对整个系统控制和调度。通过射频开驱动器控制九元单通道均匀相控圆阵开关，捕获环境中特定频段的无线电波信号。射频开驱动器发送握手协议信号与开关矩阵取得通信。对需要打通的天线进行编码和驻留时间参数设置。
然后，通过宽频段大带宽接收机，把截获到的无线电信号转换数据基带信号。对每组天线采集数据进行抗干扰算法分析处理，优选出最优的AIS信号数据。
最后，把优选信号数据，输入到多尺度特征融合和CNN-LSTM网络中。AIS信号包含固定的导频序列、字节头、字节尾，为区分三种类型的信号带来了较大困难，单纯的CNN结构无法实现时序特征的提取。LSTM层的优势在于可以提取信号整个时域片段内的相互影响，并通过遗忘门舍弃具有干扰性的特征，使其具有良好的记忆非线性时间序列数据的能力。
时域AIS信号是典型的非线性时序数据，因此选择LSTM模型为基础来实现信号识别任务。但LSTM网络在分类问题上的不足，因此将CNN卷积层优异的特征提取能力引入模型中。具体的模型结构及参数如图4所示，当信号原始波形训练数据输入模型后，首先经卷积核提取特征，将CNN层的输出作为LSTM的输入，随后LSTM层将整个时隙的时序特征进行计算，输出到Softmax层实现对信号识别。
如图2所示，九元相控阵列AIS数据采集系统。从图2可以看出，设备包括:九元均匀相控圆阵、开关矩阵、宽频段大带宽接收机、计算机、射频开关驱动器等硬件组成。
圆阵:采用九元相控阵列天线，圆阵的方向图是360°全方位无阵列模糊。通过相控阵列合成方式，使得天线获得高增益，提高系统监测灵敏度。该设计既解决了传统的线阵无法全向监测AIS信号，又解决了系统监测灵敏度不够问题。为后面优选AIS信号数据提供了有力手段。
开关矩阵:通过程控打通不同天线组合，实现天线方向图自动合成。
射频开关驱动器:由计算机给出的指令通过射频开关驱动器来控制矩阵开关的工作状态。
宽频段大带宽接收机:本系统采用宽频段大带宽接收机将分时两个天线阵元接收的被测信号数据提供给计算机进行处理。
计算机:计算机实现人机对话，控制数据采集的开始与结束，并且将采集到的数据通过软件进行处理，采集到的信号后将结果通过软件界面直观的展现给用户。
数字中频信号通过数字下变频变为数据基带IQ后，首先发送握手协议信号与天线控制板取得通信。然后，对需要打通的天线进行编码和驻留时间参数设置。其次，对每组天线采集数据进行抗干扰处理。最后，判断编码的天线是否都打通完成。抗干扰处理的具体步骤如下，如图3所示：
步骤1. 发送握手协议信号与天线控制板取得通信。若没有成功，启动延时重发机制，若连续10次重发都没成功，向上位机发送错误类型码，告知人员检查电路连线和系统板子是否工作正常。
步骤2. 对需要打通的天线进行编码（0~N）和驻留时间参数设置。
步骤3. 启动天线控制触发信号。
步骤4. 查询当前组天线i是否打通成功。若没有打通，重发触发信号，若连续重发5次触发信号天线无法打通，向上位机发送一个错误标志码，告知操作人员检修此组天线高低端子是否有损坏。
步骤5. 若此组天线i打通成功，进行延时去抖，这样保证天线处于正常打通状态，采集数据没有抖动。
步骤6. 延时去抖后，按照上位机指令采集一段数据。
步骤7. 对采集到此组数据进行排序，剔除异常数据值。这样就大大提高数据准确度，起到AIS信号抗干扰目的。
步骤8. 判断按照驻留时间间隔所有天线组是否打通完成，若没有，启动下一组天线打通流程。若打通完成所有天线组，结束轮询，等待下次采集命令。
步骤9.完成上述处理，给出优选后的AIS信号数据。
计算机将接收机接收到的信号数据进行处理，信号分选的具体步骤如下，如图4所示：
步骤1.对优选后AIS信号数据，进行多尺度特征提取，包括I/Q相位谱、能量谱密度谱、Haar小波分解谱。
（1）I/Q相位：当AIS设备进行信号采集时，会获取I/Q两路信号。而GMSK的特点为幅值恒定，相邻相位作差存储码元序列信息，由此将I/Q合成相位作为识别的特征之一。
（2）能量谱密度（Energy Spectral Density, ESD）：GMSK信号是一种相位连续的频率偏移调制方式，能量谱密度将体现出信号的主要工作频点，便于频偏特征提取，将信号的自相关函数进行FFT即可得到能量谱密度谱线，其计算公式为：
（1）
（3）Haar小波分解：小波可以描述信号时间（空间）和频率（尺度）域的局部特性，与FFT不同，小波采用非周期信号，通过小波基函数的不同尺度缩放拟合被测信号中不同频率。采用小波分解的优势是可对信号进行实施局部分析，便于时域特征提取。
通过信号预处理和相应维度的特征谱线计算。最终获得形状为3×2200的特征矩阵，用于深度学习模型的训练、测试和结果验证。
步骤2.把特征矩阵送入到卷积神经网络（CNN），CNN通过卷积核对原始数据进行特征融合和感知，利用局部连接和权值共享提取输入波形数据的深度特征，池化层对卷积后的数据进行池化操作，减少参数量和模型复杂度，一般CNN层和池化层成对出现，通过两次卷积池化层。然后，正则化舍弃部分参数，能防止过拟合发生（Dropout）。CNN在信号处理领域的优势在于能够提取出数据的隐藏特征，并通过逐级融合，获取高层抽象特征。但缺乏记忆功能，对整个时域片段的时序相关性特征提取不足。
步骤3.由于AIS信号是连续相位的时序数据，信号发射时加入高斯滤波器，使GMSK信号相邻码元之间存在较强的时序相关性。所以，把Dropout后的数据，送入到长短时记忆网络中（LSTM）。递归神经网络（Recursive Neural Network, RNN）是早期用于对时间序列进行计算的机器学习模型之一。LSTM是RNN的升级版本，通过遗忘门结构解决了RNN的梯度消失问题，这种特殊的门结构也正是能够有效保存时序数据特征的原因。
LSTM循环单元结构的主要组成部分为遗忘门、输入门/>以及输出门/>。其计算过程为：
（1）遗忘门
（2）
其中为遗忘门输出、 />为线性系数、/>为偏置系数，/>代表sigmoid函数（0-1之间），/>为前一刻的输出，/>为输入信号。
（2）输入门
（3）
（4）
其中，分别为Sigmoid激活函数和tanh激活函数的输出；/>为线性系数；/>为不同情况的偏置系数。此时LSTM单元状态可表示为：
（5）
其中，为当前LSTM单元状态、/>表示哈达玛积。
（3）输出门
（6）
（7）
其中，为输出门输出、/>为隐藏层输出。Wo为权重：bo为初始偏置系数。
LSTM特殊的门控结构可以选择性地控制时间序列数据进行特征的保留和遗忘，对于包含导频序列、开始标志以及结束标志字段的AIS数据而言，相似的时序结构会干扰特征的筛选。可将CNN结构的输出作为LSTM层的输入，从而提升模型的性能。
步骤4.通过两层Dense，实现全连接，输出AIS识别结果。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法，其特征在于，包括如下过程:
步骤一，通过射频开驱动器控制九元单通道均匀相控圆阵开关，捕获环境中特定频段的无线电波信号；射频开驱动器发送握手协议信号与开关矩阵取得通信；对需要打通的天线进行编码和驻留时间参数设置；其中所述的特定频段为预设的频段；
步骤二，通过宽频段大带宽接收机，把捕获到的无线电信号转换成数据基带信号，对每组天线采集数据进行抗干扰处理，得到优选的AIS信号数据；
步骤三，把优选的AIS信号数据，输入到多尺度特征融合和CNN-LSTM网络中，经卷积核提取特征，将CNN层的输出作为LSTM的输入，随后LSTM层将整个时隙的时序特征进行计算，输出到Softmax层实现对AIS信号识别。
2.根据权利要求1所述的一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法，其特征在于，所述的对每组天线采集数据进行抗干扰处理，得到优选的AIS信号数据，包括：
步骤1. 发送握手协议信号与天线控制板取得通信，若未成功，启动延时重发机制，若成功，则进入步骤2；
步骤2. 对需要打通的天线组进行编码和驻留时间参数设置，并启动天线控制触发信号；
步骤3. 查询当前天线组i是否打通成功，若未成功，重发触发信号，若天线组i打通成功，则进行延时去抖，延时去抖后，按照上位机指令采集一组数据；
步骤4. 对采集到的一组数据进行排序，剔除异常数据值，进入步骤5；
步骤5. 按照驻留时间间隔，判断所有天线组中所有天线是否打通完成，若均已打通，启动下一组天线打通流程；若打通完成所有天线组，结束轮询，等待下次采集命令，得到优选后的AIS信号数据。
3.根据权利要求2所述的一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法，其特征在于，所述的把优选的AIS信号数据，输入到多尺度特征融合和CNN-LSTM网络中，经卷积核提取特征，将CNN层的输出作为LSTM的输入，随后LSTM层将整个时隙的时序特征进行计算，输出到Softmax层实现对AIS信号识别，包括：
S1.对优选后AIS信号数据，进行多尺度特征提取，包括I/Q相位谱、能量谱密度谱、Haar小波分解谱，获得形状为3×2200的特征矩阵；
S2，把特征矩阵送入到卷积神经网络，通过卷积核对原始数据进行特征融合和感知，利用局部连接和权值共享提取输入波形数据的深度特征，池化层对卷积后的数据进行池化操作，通过两次卷积池化层，然后正则化舍弃部分参数，得到Dropout后的数据；
S3，把Dropout后的数据，送入到长短时记忆网络中，通过两层Dense，实现全连接，输出AIS识别结果。
4.根据权利要求3所述的一种基于多尺度特征融合和CNN-LSTM的AIS信号识别方法，其特征在于，所述的对优选后AIS信号数据，进行多尺度特征提取，包括I/Q相位谱、能量谱密度谱、Haar小波分解谱，获得形状为3×2200的特征矩阵，包括：
I/Q相位：当AIS设备进行信号采集时，会获取I/Q两路信号，相邻相位作差存储码元序列信息；
能量谱密度：将信号的自相关函数进行FFT即可得到能量谱密度谱线，其计算公式为：
其中，X为信号，f为频率，E为能量谱密度，j为复数；
Haar小波分解为通过小波基函数的不同尺度缩放拟合被测信号中不同频率；
通过I/Q相位、能量谱密度、Haar小波分解三种信号预处理，每一个维度取2200数据点，获得形状为3×2200的特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310228.6A CN117056708A (zh) | 2023-10-11 | 2023-10-11 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310228.6A CN117056708A (zh) | 2023-10-11 | 2023-10-11 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117056708A true CN117056708A (zh) | 2023-11-14 |
Family
ID=88667768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311310228.6A Pending CN117056708A (zh) | 2023-10-11 | 2023-10-11 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056708A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117294322A (zh) * | 2023-11-24 | 2023-12-26 | 北京雷格讯电子股份有限公司 | 一种微波传输系统及传输方法 |
Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104717026A (zh) * | 2015-03-05 | 2015-06-17 | 成都大公博创信息技术有限公司 | 一种抗干扰单通道测向处理装置及方法 |
| CN107634923A (zh) * | 2017-09-21 | 2018-01-26 | 佛山科学技术学院 | 一种分布式通信信号调制识别方法 |
| CN108304917A (zh) * | 2018-01-17 | 2018-07-20 | 华南理工大学 | 一种基于lstm网络的p300信号检测方法 |
| KR101902997B1 (ko) * | 2018-03-29 | 2018-10-01 | 한국해양과학기술원 | 비지도 학습방법을 이용한 선박의 이상 운항 상태 자동 식별 시스템 및 그 방법 |
| CN108693527A (zh) * | 2018-03-22 | 2018-10-23 | 西安希德电子信息技术股份有限公司 | 一种海面小目标探测雷达系统 |
| CN109613610A (zh) * | 2019-01-17 | 2019-04-12 | 中南大学 | 微震信号到时差的自动拾取方法 |
| CN110120926A (zh) * | 2019-05-10 | 2019-08-13 | 哈尔滨工程大学 | 基于演化bp神经网络的通信信号调制方式识别方法 |
| CN110196414A (zh) * | 2019-06-04 | 2019-09-03 | 哈尔滨工业大学 | 一种基于补偿天线方向图误差的天线波束指向方法 |
| 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 |
| CN110598677A (zh) * | 2019-10-08 | 2019-12-20 | 电子科技大学 | 一种用于自动调制识别的时空多通道深度学习系统 |
| KR102073935B1 (ko) * | 2018-12-24 | 2020-02-05 | 충남대학교산학협력단 | 전파신호 변조인식시스템 |
| CN111814729A (zh) * | 2020-07-22 | 2020-10-23 | 广州心蛙科技有限责任公司 | 一种智能交通系统信号调制识别方法 |
| CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
| CN114169367A (zh) * | 2021-11-25 | 2022-03-11 | 成都大公博创信息技术有限公司 | 基于深度学习的低慢小无人机识别方法和系统 |
| CN114254680A (zh) * | 2022-02-28 | 2022-03-29 | 成都大公博创信息技术有限公司 | 基于多特征信息的深度学习网络调制识别方法 |
| CN114465855A (zh) * | 2022-01-17 | 2022-05-10 | 武汉理工大学 | 一种基于注意力机制与多特征融合的自动调制识别方法 |
| CN114881092A (zh) * | 2022-06-16 | 2022-08-09 | 杭州电子科技大学 | 一种基于特征融合的信号调制识别方法 |
| CN114997213A (zh) * | 2022-04-29 | 2022-09-02 | 北京邮电大学 | 信号识别方法、装置、电子设备及存储介质 |
| CN115512152A (zh) * | 2022-09-08 | 2022-12-23 | 武汉大学 | 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统 |
| US20230066195A1 (en) * | 2021-08-18 | 2023-03-02 | Electronics And Telecommunications Research Institute | Method of determining single sampling frequency of classification target signal in order to predict modulation type of classification target signal, and method and apparatus for predicting modulation type by using classification target signal sampled with single sampling frequency |
| CN115964631A (zh) * | 2022-12-30 | 2023-04-14 | 北京遥感设备研究所 | 一种基于机器学习的信号调制类型识别方法 |
| CN116150603A (zh) * | 2022-12-30 | 2023-05-23 | 中国电子科技集团公司第四十一研究所 | 一种基于多尺度特征融合的复杂调制方式识别方法 |
| CN116257752A (zh) * | 2023-03-15 | 2023-06-13 | 安徽白鹭电子科技有限公司 | 一种信号调制样式识别方法 |
| CN116401572A (zh) * | 2022-12-29 | 2023-07-07 | 国网陕西省电力有限公司延安供电公司 | 一种基于cnn-lstm的输电线路故障诊断方法及系统 |
| CN116593969A (zh) * | 2023-05-18 | 2023-08-15 | 成都大公博创信息技术有限公司 | 基于gain-lstm的雷达辐射源识别方法和装置 |
| CN116756697A (zh) * | 2023-07-26 | 2023-09-15 | 成都大公博创信息技术有限公司 | 一种基于特征融合和maclnn的低慢小无人机识别方法 |
-
2023
- 2023-10-11 CN CN202311310228.6A patent/CN117056708A/zh active Pending
Patent Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104717026A (zh) * | 2015-03-05 | 2015-06-17 | 成都大公博创信息技术有限公司 | 一种抗干扰单通道测向处理装置及方法 |
| CN107634923A (zh) * | 2017-09-21 | 2018-01-26 | 佛山科学技术学院 | 一种分布式通信信号调制识别方法 |
| CN108304917A (zh) * | 2018-01-17 | 2018-07-20 | 华南理工大学 | 一种基于lstm网络的p300信号检测方法 |
| CN108693527A (zh) * | 2018-03-22 | 2018-10-23 | 西安希德电子信息技术股份有限公司 | 一种海面小目标探测雷达系统 |
| KR101902997B1 (ko) * | 2018-03-29 | 2018-10-01 | 한국해양과학기술원 | 비지도 학습방법을 이용한 선박의 이상 운항 상태 자동 식별 시스템 및 그 방법 |
| KR102073935B1 (ko) * | 2018-12-24 | 2020-02-05 | 충남대학교산학협력단 | 전파신호 변조인식시스템 |
| CN109613610A (zh) * | 2019-01-17 | 2019-04-12 | 中南大学 | 微震信号到时差的自动拾取方法 |
| CN110120926A (zh) * | 2019-05-10 | 2019-08-13 | 哈尔滨工程大学 | 基于演化bp神经网络的通信信号调制方式识别方法 |
| CN110196414A (zh) * | 2019-06-04 | 2019-09-03 | 哈尔滨工业大学 | 一种基于补偿天线方向图误差的天线波束指向方法 |
| 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 |
| CN110598677A (zh) * | 2019-10-08 | 2019-12-20 | 电子科技大学 | 一种用于自动调制识别的时空多通道深度学习系统 |
| CN111814729A (zh) * | 2020-07-22 | 2020-10-23 | 广州心蛙科技有限责任公司 | 一种智能交通系统信号调制识别方法 |
| CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
| US20230066195A1 (en) * | 2021-08-18 | 2023-03-02 | Electronics And Telecommunications Research Institute | Method of determining single sampling frequency of classification target signal in order to predict modulation type of classification target signal, and method and apparatus for predicting modulation type by using classification target signal sampled with single sampling frequency |
| CN114169367A (zh) * | 2021-11-25 | 2022-03-11 | 成都大公博创信息技术有限公司 | 基于深度学习的低慢小无人机识别方法和系统 |
| CN114465855A (zh) * | 2022-01-17 | 2022-05-10 | 武汉理工大学 | 一种基于注意力机制与多特征融合的自动调制识别方法 |
| CN114254680A (zh) * | 2022-02-28 | 2022-03-29 | 成都大公博创信息技术有限公司 | 基于多特征信息的深度学习网络调制识别方法 |
| CN114997213A (zh) * | 2022-04-29 | 2022-09-02 | 北京邮电大学 | 信号识别方法、装置、电子设备及存储介质 |
| CN114881092A (zh) * | 2022-06-16 | 2022-08-09 | 杭州电子科技大学 | 一种基于特征融合的信号调制识别方法 |
| CN115512152A (zh) * | 2022-09-08 | 2022-12-23 | 武汉大学 | 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统 |
| CN116401572A (zh) * | 2022-12-29 | 2023-07-07 | 国网陕西省电力有限公司延安供电公司 | 一种基于cnn-lstm的输电线路故障诊断方法及系统 |
| CN115964631A (zh) * | 2022-12-30 | 2023-04-14 | 北京遥感设备研究所 | 一种基于机器学习的信号调制类型识别方法 |
| CN116150603A (zh) * | 2022-12-30 | 2023-05-23 | 中国电子科技集团公司第四十一研究所 | 一种基于多尺度特征融合的复杂调制方式识别方法 |
| CN116257752A (zh) * | 2023-03-15 | 2023-06-13 | 安徽白鹭电子科技有限公司 | 一种信号调制样式识别方法 |
| CN116593969A (zh) * | 2023-05-18 | 2023-08-15 | 成都大公博创信息技术有限公司 | 基于gain-lstm的雷达辐射源识别方法和装置 |
| CN116756697A (zh) * | 2023-07-26 | 2023-09-15 | 成都大公博创信息技术有限公司 | 一种基于特征融合和maclnn的低慢小无人机识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| MENG ZHANG 等: "Automatic Modulation Recognition using Deep Learning Architectures", 《2018 IEEE 19TH INTERNATIONAL WORKSHOP ON SIGNAL PROCESSING ADVANCES IN WIRELESS COMMUNICATIONS (SPAWC)》, pages 1 - 5 * |
| SHARAN RAMJEE 等: "Fast Deep Learning for Automatic Modulation Classification", 《ARXIV》, pages 1 - 29 * |
| 张军 等: "基于CLDNN的调制信号识别方法", 《计算机应用与研究》, vol. 38, no. 10, pages 216 - 220 * |
| 张翼: "基于深度学习的自动调制识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2020, pages 136 - 314 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117294322A (zh) * | 2023-11-24 | 2023-12-26 | 北京雷格讯电子股份有限公司 | 一种微波传输系统及传输方法 |
| CN117294322B (zh) * | 2023-11-24 | 2024-02-09 | 北京雷格讯电子股份有限公司 | 一种微波传输系统及传输方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
| Ureten et al. | Wireless security through RF fingerprinting | |
| CN108718288B (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
| Wu et al. | A deep learning approach for modulation recognition via exploiting temporal correlations | |
| Lin et al. | Learning of time-frequency attention mechanism for automatic modulation recognition | |
| CN117056708A (zh) | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 | |
| CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
| CN112566174A (zh) | 一种基于深度学习的异常i/q信号识别方法及系统 | |
| CN112990026A (zh) | 基于对抗训练的无线信号感知模型构建、感知方法及系统 | |
| CN103684524A (zh) | 一种基于uwb通信信号的目标识别方法 | |
| CN114169367A (zh) | 基于深度学习的低慢小无人机识别方法和系统 | |
| CN114154545A (zh) | 强互干扰条件下无人机测控信号智能识别方法 | |
| CN111709329A (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
| Lin et al. | Modulation recognition using signal enhancement and multistage attention mechanism | |
| CN116866129A (zh) | 一种无线通信信号检测方法 | |
| Hiremath et al. | Blind identification of radio access techniques based on time-frequency analysis and convolutional neural network | |
| CN116756697A (zh) | 一种基于特征融合和maclnn的低慢小无人机识别方法 | |
| Nkechinyere et al. | Automatic radar waveform recognition using the Wigner-Ville distribution and AlexNet-SVM | |
| CN116094885A (zh) | 基于One2ThreeNet的信号调制方式识别方法 | |
| CN114584227B (zh) | 自动化突发信号检测方法 | |
| CN115600101A (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
| CN111917674A (zh) | 一种基于深度学习的调制识别方法 | |
| CN115343704A (zh) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 | |
| CN114639169A (zh) | 基于注意力机制特征融合与位置无关的人体动作识别系统 | |
| Wang et al. | Blind Recognition Method for Non-Cooperative Communication Signals Based on Aerial Computing |
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 |