The invention relates to an open set identification method for electromagnetic signals, which belongs to the field of signal processing technology, and solves the problems of low discrimination accuracy and poor performance of existing open set identification methods. The steps are as follows: acquiring the sample set of electromagnetic signals and the categories of each sample; dividing the sample set of electromagnetic signals into training set and test set; using training set to train convolution neural network, using test set to evaluate the trained convolution neural network, the optimal convolution neural network is obtained; according to the optimal convolution neural network, the Weibull distribution model of characteristic parameters is constructed. The optimal convolution neural network is used to recognize unknown electromagnetic signals, and the accuracy of recognition results is judged according to the Weibull distribution model of the constructed characteristic parameters. This method effectively improves the accuracy of open set recognition of electromagnetic signals.
【技术实现步骤摘要】
一种电磁信号开集识别方法
本专利技术涉及信号处理
,尤其涉及一种电磁信号开集识别方法。
技术介绍
随着科技的迅猛发展,电磁信号识别在国防安全、智慧交通、安防行业等方面有着广泛的应用和重要的研究价值。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:1)无拒识的闭集(CloseSet)电磁信号识别,即假定输入的电磁信号样本一定属于信号库中的某个个体;2)有拒识的开集(OpenSet)识别,即首先对输入电磁信号样本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,电磁识别系统面临的更多的是开放的电磁环境,不仅有已知信号,还有未知信号。而相对无拒识的闭集信号识别,开集的信号识别能有效区分未知信号和已知信号,因而更加符合识别系统在实际应用,也更具研究意义。针对闭集电磁信号识别,目前已有众多性能良好的识别算法,如Fisher线性判别,Garbor特征判别分类法,都能达到较高的正确识别率,但将这些算法用在开集识别的表现却不尽如人意,因此开集电磁信号识别问题受到更多关注。最 ...
【技术保护点】
1.一种电磁信号开集识别方法,其特征在于,步骤如下:获取电磁信号样本集及各电磁信号样本所属类别;将所述电磁信号样本集分为训练集和测试集;利用训练集训练卷积神经网络,利用测试集对训练后的卷积神经网络进行评估,得到最优卷积神经网络;根据最优卷积神经网络,构造特征参数weibull分布模型;利用最优卷积神经网络对未知电磁信号进行开集识别,并根据构造的特征参数weibull分布模型判断识别结果的准确性。
【技术特征摘要】
1.一种电磁信号开集识别方法,其特征在于,步骤如下:获取电磁信号样本集及各电磁信号样本所属类别;将所述电磁信号样本集分为训练集和测试集;利用训练集训练卷积神经网络,利用测试集对训练后的卷积神经网络进行评估,得到最优卷积神经网络;根据最优卷积神经网络,构造特征参数weibull分布模型;利用最优卷积神经网络对未知电磁信号进行开集识别,并根据构造的特征参数weibull分布模型判断识别结果的准确性。2.根据权利要求1所述的识别方法,其特征在于,所述利用训练集训练卷积神经网络包括:将所述训练集中的各电磁信号样本作为卷积神经网络的输入,将对应的电磁信号样本所属类别作为卷积神经网络的输出,训练卷积神经网络。3.根据权利要求2所述的识别方法,其特征在于,所述卷积神经网络依次包含K个基本层和全连接层,K≥1且K为整数;其中,每个基本层包含卷积层、ReLu层和池化层,所述卷积层对样本信号进行卷积处理、提取特征;ReLu层提供系数进行非线性变换;池化层对输入特征图进行压缩,提取主要特征;全连接层包括激活层、分类层,其中,激活层用于连接第K个基本层输出的所有特征,并将输出的所有特征通过分类层进行分类。4.根据权利要求3所述的识别方法,其特征在于,所述分类层利用softmax分类器实现分类功能。5.根据权利要求4所述的识别方法,其特征在于,所述根据最优卷积神经网络,构造特征参数weibull分布模型,进一步包括以下步骤:取出最优卷积神经网络中的激活层系数v1(x)、...、vc(x),其中c为测试结果类别数;将测试过程中正确分类的电磁信号样本激活层系数,记为Si,j=vj(xi,j),其中i为第i个电磁信号样本对应的序号,j为第i个电磁信号样本对应的样本类别,j=1,2,...,c;根据测试过程中正确分类的电磁信号样本激活层系数,计算每一类样本的均值中心,记为uj=meani(Si,j);计算每一类样本中正确分类的电磁信号样本激活层系数与相应类均值中心的距离由大到小进行排序,得到相应的激活层系数排序序列Sj(l),取排序序列中的前若干项进行weibull分布拟合,得到参数分布模型,记为:ρj=(τj,κj,λj)=weibullfit(||Sj(l)-μj||,η)(1)其中,τj,κj,λj分别为...
【专利技术属性】
技术研发人员:周华吉,杨小牛,郑仕链,
申请(专利权)人:中国电子科技集团公司第三十六研究所,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。