一种无线电信号图像识别模型构建、识别方法及装置制造方法及图纸

本发明专利技术公开了一种无线电信号图像识别模型构建、识别方法及装置，通过构建了识别模型的网络结构，该网络使用MobileNet作为特征提取网络，压缩了SSD网络的大小，加快了网络的检测速度，提高了网络的检测精度；通过在交叉熵损失函数的基础上添加俩个超参数，既可以调整正负样本的损失函数权重，使得正样本损失函数的比重增加,又可以控制难易分类样本的权重，从而提高网络的检测精度。

A model, method and device of radio signal image recognition

【技术实现步骤摘要】
一种无线电信号图像识别模型构建、识别方法及装置
本专利技术涉及无线电信号图像识别领域，具体涉及一种无线电信号图像识别模型构建、识别方法及装置。
技术介绍
无线电信号识别的本质是一个模式识别问题，其中的关键问题在于如何获得信号的一个好的特征表达，即特征工程。特征工程能够从输入的信号序列中找到与识别密切相关的特征来表示原始数据，不仅可以降低数据维度并减少计算量，以避免后续分类器学习的“维数灾难”，而且可以提高信号的判别性，这对分类器的性能及分类效果的好坏以及后续的关联预测等性能均有着直接的影响。目前无线电信号常采用的特征工程方法是基于专家先验知识的人工特征提取方法，即以单一信号类型作为分析研究对象，借助专家先验知识的特征工程方法。这一方法需要利用专业背景知识和技巧处理数据，使特征在机器学习算法上发挥更好的作用。随着现代通信环境中电磁干扰日渐复杂、新型通信方式层出不穷，无线电信号呈现出海量、多维、动态等一些非结构化的特点，使得基于专家先验的传统无线电信号特征提取和分类识别方法的应用面临着诸多的困难与局限，因此现有技术中的无线电信号图像识别方法存在识别不准确，处理效率低的问题。
技术实现思路
本专利技术的目的在于提供一种无线电信号图像识别模型构建、识别方法及装置，用以解决现有技术中无线电信号图像识别方法存在识别不准确的问题。为了实现上述任务，本专利技术采用以下技术方案：一种无线电信号图像识别模型构建方法，按照以下步骤执行：步骤1、获取多幅无线电信号图像，获得初始图像集；r>对所述的初始图像集中每幅图像进行标签标注，获得标签集，其中所述的标签包括信号类别以及其他类别，所述的信号类别包括多个类别名称；步骤2、将所述的初始图像集作为输入，将所述的标签集作为输出，训练卷积神经网络；所述的卷积神经网络包括依次连接的特征提取子网络以及目标检测子网络；所述的特征提取子网络包括多个第一卷积块、多个第二卷积块以及多个降采样层；所述的第一卷积块包括依次连接的第一卷积层以及激活层；所述的第二卷积块包括依次连接的第二卷积层以及激活层；所述的第一卷积层中卷积核大小为3×3，所述的第二卷积层中卷积核大小为1×1；所述的目标检测子网络包括金字塔网络；获得无线电信号图像识别模型。进一步地，所述的特征提取子网络包括依次设置的第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积块、第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层以及第一卷积层。进一步地，所述的激活层为ReLU激活层。进一步地，所述的无线电信号图像识别模型中损失函数F为：F＝-β(1-pt)μlog(pt)式I其中pt为概率函数，当卷积神经网络的输出为任一个信号类别时，pt＝p，当卷积神经网络的输出为其他类别时，pt＝1-p，p为概率值，0≤p≤1，β为常数系数，0<β<1，μ为大于0的数。一种无线电信号图像识别方法，将待识别的无线电信号图像输入至所述的无线电信号图像识别模型构建方法构建出的无线电信号图像识别模型中，获得识别结果。一种无线电信号图像识别模型构建装置，包括图像获取及标注模块以及网络训练模块；所述的图像获取及标注模块用于获取多幅无线电信号图像，获得初始图像集；还用于对所述的初始图像集中每幅图像进行标签标注，获得标签集，其中所述的标签包括信号类别以及其他，所述的信号类别包括多个类别名称；所述的网络训练模块用于将所述的初始图像集作为输入，将所述的标签集作为输出，训练卷积神经网络；所述的卷积神经网络包括依次连接的特征提取子网络以及目标检测子网络；所述的特征提取子网络包括多个第一卷积块、多个第二卷积块以及多个降采样层；所述的第一卷积块包括依次连接的第一卷积层以及激活层；所述的第二卷积块包括依次连接的第二卷积层以及激活层；所述的第一卷积层中卷积核大小为3×3，所述的第二卷积层中卷积核大小为1×1；所述的目标检测子网络包括金字塔网络；获得无线电信号图像识别模型。进一步地，所述的特征提取子网络包括依次设置的第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积块、第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层以及第一卷积层。进一步地，所述的激活层为ReLU激活层。进一步地，所述的无线电信号图像识别模型中损失函数F为：F＝-β(1-pt)μlog(pt)式I其中pt为概率函数，当卷积神经网络的输出为任一个信号类别时，pt＝p，当卷积神经网络的输出为其他时，pt＝1-p，p为概率值，0≤p≤1，β为常数系数，0<β<1，μ为大于0的数。一种无线电信号图像识别装置，用于将待识别的无线电信号图像输入至无线电信号图像识别模型构建装置构建出的无线电信号图像识别模型中，获得识别结果。本专利技术与现有技术相比具有以下技术效果：1、本专利技术提供的无线电信号图像识别模型构建、识别方法及装置通过构建了识别模型的网络结构，该网络使用MobileNet作为特征提取网络，压缩了SSD网络的大小，加快了网络的检测速度，提高了网络的检测精度；2、本专利技术提供的无线电信号图像识别模型构建、识别方法及装置通过提供了识别模型的损失函数，通过在交叉熵损失函数的基础上添加俩个超参数，既可以调整正负样本的损失函数权重，使得正样本损失函数的比重增加,又可以控制难易分类样本的权重，从而提高网络的检测精度。附图说明图1为本专利技术的一个实施例中提供的无线电信号图像；图2为本专利技术的一个实施例中提供的无线电信号图像识别模型结构示意图；图3为本专利技术的一个实施例中提供的待识别的无线电信号图像；图4为本专利技术的一个实施例中提供的对图3的待识别的无线电信号图像的识别结果。具体实施方式以下给出本专利技术的具体实施例，需要说明的是本专利技术并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本专利技术的保护范围。首先对本专利技术涉及的定义或概念内涵做以说明：金字塔网络(FPN)：根据特征金字塔概念设计的特征提取器,目的是提高精度和速度，它替代了类如FasterR-CNN中的特征提取器,并且生成更高质量的特征图金字塔。实施例一在本实施例中公开了一种无线电信号图像识别模型构建方法，按照以下步骤执行：步骤1、获取多幅无线电信号本文档来自技高网...

【技术保护点】
1.一种无线电信号图像识别模型构建方法，其特征在于，按照以下步骤执行：/n步骤1、获取多幅无线电信号图像，获得初始图像集；/n对所述的初始图像集中每幅图像进行标签标注，获得标签集，其中所述的标签包括信号类别以及其他类别，所述的信号类别包括多个类别名称；/n步骤2、将所述的初始图像集作为输入，将所述的标签集作为输出，训练卷积神经网络；/n所述的卷积神经网络包括依次连接的特征提取子网络以及目标检测子网络；/n所述的特征提取子网络包括多个第一卷积块、多个第二卷积块以及多个降采样层；/n所述的第一卷积块包括依次连接的第一卷积层以及激活层；/n所述的第二卷积块包括依次连接的第二卷积层以及激活层；/n所述的第一卷积层中卷积核大小为3×3，所述的第二卷积层中卷积核大小为1×1；/n所述的目标检测子网络包括金字塔网络；/n获得无线电信号图像识别模型。/n

【技术特征摘要】
1.一种无线电信号图像识别模型构建方法，其特征在于，按照以下步骤执行：
步骤1、获取多幅无线电信号图像，获得初始图像集；
对所述的初始图像集中每幅图像进行标签标注，获得标签集，其中所述的标签包括信号类别以及其他类别，所述的信号类别包括多个类别名称；
步骤2、将所述的初始图像集作为输入，将所述的标签集作为输出，训练卷积神经网络；
所述的卷积神经网络包括依次连接的特征提取子网络以及目标检测子网络；
所述的特征提取子网络包括多个第一卷积块、多个第二卷积块以及多个降采样层；
所述的第一卷积块包括依次连接的第一卷积层以及激活层；
所述的第二卷积块包括依次连接的第二卷积层以及激活层；
所述的第一卷积层中卷积核大小为3×3，所述的第二卷积层中卷积核大小为1×1；
所述的目标检测子网络包括金字塔网络；
获得无线电信号图像识别模型。


2.如权利要求1所述的无线电信号图像识别模型构建方法，其特征在于，所述的特征提取子网络包括依次设置的第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积块、第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层以及第一卷积层。


3.如权利要求2所述的无线电信号图像识别模型构建方法，其特征在于，所述的激活层为ReLU激活层。


4.如权利要求1所述的无线电信号图像识别模型构建方法，其特征在于，所述的无线电信号图像识别模型中损失函数F为：
F＝-β(1-pt)μlog(pt)式I
其中pt为概率函数，当卷积神经网络的输出为任一个信号类别时，pt＝p，当卷积神经网络的输出为其他类别时，pt＝1-p，p为概率值，0≤p≤1，β为常数系数，0<β<1，μ为大于0的数。


5.一种无线电信号图像识别方法，其特征在于，将待识别的无线电信号图像输入至权利要求1-4任一项权利要求所述的无线电信号图像识别模型构建方法构建出的无线电信号图像识别模型中，获得识别结果。


6.一种无线电信号...

【专利技术属性】
技术研发人员：邓周虎，任招娣，马晓龙，李强，王俊楠，王魏，陈思凡，余昊，李承志，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61