【技术实现步骤摘要】
一种电磁信号分类方法和装置
本专利技术涉及电磁信号分类领域，具体涉及一种电磁信号分类方法和装置。
技术介绍
电磁信号识别，通俗来说，就是通过挖掘电磁信号特征，以最大可能区分各种电磁信号。电磁信号识别包含电磁信号类型识别和辐射源个体识别等，在电磁频谱监测、认知无线电、网络空间安全等领域都有着广泛的应用。电磁信号识别主要采用模式识别方法。人工神经网络自适应能力较强，但是在信噪比较低的条件下，分类效果不好，同时因为需要对描述对象的特征进行训练，计算复杂度较高。近年来，深度学习技术迅猛发展，因其具备稀疏连接、权重共享和最大池采样等特性，克服了原先神经网络预测方法泛化能力弱，容易在最佳值的搜索过程限于局部最小值等缺点，同时，计算复杂度显著下降。但是，基于卷积神经网络的电磁信号分类方法，抗噪性能并不理想，而且卷积神经网络中的滤波器通过大量的数据学习得到，计算复杂度仍较高。
技术实现思路
鉴于上述问题，本专利技术提出了一种电磁信号分类方法和装置，以便解决或者部分解决上述问题。依据本专利技术的一个方面的实...
【技术保护点】
1.一种电磁信号分类方法，其特征在于，所述方法包括：/n通过小波散射变换构建散射网络；/n对电磁信号集内的电磁信号利用构建的所述散射网络提取散射特征，获得特征样本集；/n利用所述特征样本集对支持向量机SVM分类模型进行训练；/n对待分类电磁信号利用构建的所述散射网络提取散射特征，将提取的散射特征输入训练后的SVM分类模型，得到分类结果。/n
【技术特征摘要】
1.一种电磁信号分类方法，其特征在于，所述方法包括：
通过小波散射变换构建散射网络；
对电磁信号集内的电磁信号利用构建的所述散射网络提取散射特征，获得特征样本集；
利用所述特征样本集对支持向量机SVM分类模型进行训练；
对待分类电磁信号利用构建的所述散射网络提取散射特征，将提取的散射特征输入训练后的SVM分类模型，得到分类结果。
2.如权利要求1所述的方法，其特征在于，所述通过小波散射变换构建散射网络包括：
将尺度函数用作低通滤波器，将小波函数用作高通滤波器，利用小波散射变换计算信号的散射特征系数；
计算信号经过每层散射传播的散射特征系数，由多层散射特征系数构成所述散射网络。
3.如权利要求2所述的方法，其特征在于，在对电磁信号集内的电磁信号利用构建的所述散射网络提取散射特征之前，所述方法还包括：
将电磁信号集内的模拟电磁信号经A/D采样得到数字电磁信号，将得到的数字电磁信号进行正交变换得到两路信号，并利用所述两路信号计算得到各个电磁信号的幅度特征；
所述对电磁信号集内的电磁信号利用构建的所述散射网络提取散射特征具体为：
将电磁信号集内的各个电磁信号的幅度特征输入至构建的所述散射网络，提取各个电磁信号的散射特征。
4.如权利要求3所述的方法，其特征在于，利用所述特征样本集对支持向量机SVM分类模型进行训练包括：
按照预设比例将所述特征样本集划分为训练集和测试集；
利用所述训练集中的散射特征样本训练所述SVM分类模型，利用所述测试集中的散射特征样本评估训练后的SVM分类模型的性能，并根据测试结果调整SVM分类模型的惩罚因子；
如果SVM分类模型的准确率达到预设的准确率阈值，则停止训练，得到训练后的SVM分类模型。
5.如权利要求4所述的方法，其特征在于，在利用所述特征样本集对支持向量机SVM分类模型进行训练之前，所述方法还包括：
判断所述特征样本集中的散射特征的维度是否符合维度阈值，若不符合维度阈值，则利用主成分分析方法对特征样本集中的散射特征进行降维；
所述利用所述特征样本集对支持向量机SVM分类模型进行训练具体为：利用符合维度阈值的特征样本集对支持向量机SVM分类模型进行训练。
6.如权利要求5所述的方法，其特征在于，所述对待分类电磁信号利用构建的所述散射网络提取散射特征，将提取的散射特征输入训练后的SVM分类模型，得到分类结果包括：
将待分类电磁信号经A/D采样得到数字电磁信号，将...
【专利技术属性】
技术研发人员：周华吉，徐杰，郑仕链，杨小牛，
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。