一种适用于基于卷积神经网络的无线信号调制分类器可视化方法技术

一种适用于基于卷积神经网络的无线信号调制分类器可视化方法,包括以下步骤：1)引入一组权值向量，衡量输入信号中各个信号点对于分类器输出结果的重要程度，通过叠加分类器的预测得分对于最后一层卷积层产生的各个特征图的平均梯度与对应层的特征图各元素乘积作为权值向量，将得到的权值向量归一化至[0,1]范围内；2)绘制输入信号的星座图，并根据步骤2)求得的权值将星座点赋予不同的颜色；3)设定权值阈值,如果连续的两个采样点的权值大于阈值，则将两点通过绿色的线段连接。本发明专利技术方法能够适用于基于CNN的无线信号调制分类器，可以直观地展现特征点分布状态，以及分类器在时序上提取特征点的变化规律。

【技术实现步骤摘要】
一种适用于基于卷积神经网络的无线信号调制分类器可视化方法
本专利技术属于深度学习可视化与无线信号自动调制分类领域，涉及一种基于卷积神经网络(CNN)的无线信号调制分类器的可视化方法。
技术介绍
无线信号自动调制识别技术是无线通信领域中一项非常关键的技术，无线信号调制方式的识别在军用领域和民用领域有着非常重要的意义。随着深度学习的不断发展，基于深度学习的方法在各种分类任务中都取得了优异的性能。然而，基于深度学习的分类方法不同于可解释的传统的基于特征的调制识别方法，其分类器以端到端的方式预测调制类别，所以缺乏可解释性。为了解决这一问题，利用基于深度学习在图像处理领域的可视化技术对调制识别领域里基于深度学习的分类器提取的特征进行可视化，获取特征分布和时序特征，以此解释模型作出的决策。确保实际部署中对基于深度学习的分类器的信任。因此，设计一种适用于基于深度学习的无线信号调制分类器的可视化方法是很有必要的。
技术实现思路
在基于深度学习的无线信号调制分类方法中，分类器的特征提取是不可见和缺乏可解释的。为了解决这一问题，引入一组权值向量，其形状大小和输入信号大小一致。其中每一权值反映了相同位置信号值对分类结果的重要程度。为了获得分类器在时序上提取特征的特点，进而引入一个权值阈值。当连续的两个及以上的信号点所对应的权值大于给定阈值时用线段连接。本专利技术针对基于深度学习的无线信号调制分类任务，研究基于CNN的分类器的特征提取的方法。本专利技术解决其技术问题所采取的技术方案是：r>一种适用于基于卷积神经网络的无线信号调制分类器的可视化方法，所述方法包括以下步骤：1)给定一个已经训练好的基于CNN的无线信号调制分类器，由m个卷积层和n个全连接层组成，并通过“归一化指数函数”输出预测向量，调制分类器的输入信号记为其中Nx表示信号长度，每一个xi＝(Ii,Qi)由一组同相值和正交相值组成，输入信号x属于Ny个不同的调制类别之一，一组输入x通过分类器被映射为一组向量其中yj属于第j类，记概率最大的类别为2)引入一组权值向量来可视化基于卷积神经网络的无线信号调制分类器，权值向量中每一个元素表示对应时刻下信号值对调制分类结果的重要程度，获取权值向量的步骤如下：步骤2.1：基于CNN的调制分类器在最后一个卷积层所产生的特征图表示为其中Nf是最后一层卷积层生成的特征图的数量，fk表示第k层特征图，其宽度为U，长度为V；步骤2.2：一组输入信号x的预测类别记为j*，预测得分为记为预测得分为归一化指数函数前的得分；步骤2.3：计算预测得分相对于每一层特征图的平均梯度如下：其中表示特征图fk中位置(u,v)处的激活值；步骤2.4：将平均梯度与对应层的特征图fk各元素相乘并累加并且将值为负的元素置零，获得权重向量w。步骤2.5：将优化后的权值向量w归一化至[0,1]，如下：步骤2.6：将权值向量w'的形状resize为和输入信号x相同的形状，用于近似衡量输入x的各个元素对分类结果的重要性；3)为了更好的可视化，在笛卡尔坐标系上绘制输入信号的星座图，根据步骤2)求得的权值向量为每一个星座点赋予不同的颜色(黄色到红色)，以区分不同信号点对最终分类结果的重要程度，然后设定权值阈值过滤次要特征点，将重要且连续的特征点用线段连接起来，步骤如下：步骤3.1：根据输入信号x每一时刻的(Ii,Qi)在笛卡尔坐标系中绘制出其星座图，横坐标表示同相值，纵坐标表示正交相值；步骤3.2：根据所获得的权值向量w'，将每个星座点xi的颜色根据对应的权值wi赋予从一种颜色到另一种颜色之间的颜色，具有较大权值wi(接近1)的采样点被赋予另一种颜色，表明它对分类结果是重要的；步骤3.3：设定权值阈值ηw，如果连续的两个采样点xi和xi+1的权值wi和wi+1大于ηw，则将两点通过第三种颜色的线段连接；以上，是计算权值向量和特征可视化的完整过程。本专利技术的技术构想为：首先，输入信号中各元素对分类结果的影响是不一样的，通过引入权值向量来衡量不同时刻信号点对分类结果的重要程度，在求得的权值向量的基础上，将不同时刻的星座点赋予从黄色到红色的不同颜色，这种方式可直观地表现不同星座点的重要程度，再引入一个权值阈值用于过滤权值较低的特征点，将高于阈值且连续的特征点连接起来，用于获取分类器提取的特征分布及时序特征。本专利技术的有益效果主要表现在：通过引入权值向量并在此基础上对星座图中特征点的处理，可以直观地表现出特征点的分布状态，以及在时序上特征点变化的规律，进而对分类器分类结果进行解释，增加实际部署时对模型的信任。附图说明图1是获取权值向量的优化流程图。图2是基于CNN的无线信号调制分类器的可视化方法框架示意图。具体实施方式下面结合附图对本专利技术作进一步详细描述。参照图1和图2，一种适用于基于CNN的无线信号调制分类器的可视化方法，通过叠加分类器的预测得分对于最后一层卷积层产生的各个特征图的平均梯度与对应层的特征图各元素乘积作为权值向量。同时，根据获得的权值向量处理输入信号，可视化出输入信号中重要的特征点(如图2所示)，所述方法包括以下步骤：1)给定一个已经训练好的基于CNN的无线信号调制分类器，由m个卷积层和n个全连接层组成，并通过“归一化指数函数”输出预测向量，调制分类器的输入信号记为其中Nx表示信号长度，每一个xi＝(Ii,Qi)由一组同相值和正交相值组成，输入信号x属于Ny个不同的调制类别之一，一组输入x通过分类器被映射为一组向量其中yj属于第j类，记概率最大的类别为2)引入一组权值向量来可视化基于卷积神经网络的无线信号调制分类器，权值向量中每一个元素表示对应时刻下信号值对调制分类结果的重要程度，获取权值向量的步骤如下：步骤2.1：基于CNN的调制分类器在最后一个卷积层所产生的特征图表示为其中Nf是最后一层卷积层生成的特征图的数量，fk表示第k层特征图，其宽度为U，长度为V；步骤2.2：一组输入信号x的预测类别记为j*，预测得分为记为预测得分归一化指数函数前的得分；步骤2.3：计算预测得分相对于每一层特征图的平均梯度如下：其中表示特征图fk中位置(u,v)处的激活值；步骤2.4：将平均梯度与对应层的特征图fk各元素相乘并累加并且将值为负的元素置零，获得权重向量w；步骤2.5：将优化后的权值向量w归一化至[0,1]，如下：步骤2.6：将权值向量w'的形状resize为和输入信号x相同的形状，用于近似衡量输入x的各个元素对分类结果的重要性；3)为了更好的可视化，在笛卡尔坐标系上绘制输入信号的星座图，根据步骤2)求得的权值向量为每一个星座点赋予不同的颜色(黄色到红色)，以区分不同信号点对最终分类结果的重要程度，然后设定权值阈值过滤次要特征点，将重要且连续的特征点用线段连接起来，步骤如本文档来自技高网...

【技术保护点】
1.一种适用于基于卷积神经网络的无线信号调制分类器可视化方法，其特征在于，所述方法包括以下步骤：/n1)给定一个已经训练好的基于卷积神经网络的无线信号调制分类器，由m个卷积层和n个全连接层组成，并通过“归一化指数函数”输出预测向量，调制分类器的输入信号记为

【技术特征摘要】
1.一种适用于基于卷积神经网络的无线信号调制分类器可视化方法，其特征在于，所述方法包括以下步骤：
1)给定一个已经训练好的基于卷积神经网络的无线信号调制分类器，由m个卷积层和n个全连接层组成，并通过“归一化指数函数”输出预测向量，调制分类器的输入信号记为其中Nx表示信号长度，每一个xi＝(Ii,Qi)由一组同相值和正交相值组成，输入信号x属于Ny个不同的调制类别之一，一组输入x通过分类器被映射为一组向量其中yj属于第j类，记概率最大的类别为
2)引入一组权值向量来可视化基于卷积神经网络的无线信号调制分类器，权值向量中每一个元素表示对应时刻下信号值对调制分类结果的重要程度，获取权值向量的步骤如下：
步骤2.1：基于卷积神经网络的调制分类器在最后一个卷积层所产生的特征图表示为其中Nf是最后一层卷积层生成的特征图的数量，fk表示第k层特征图，其宽度为U，长度为V；
步骤2.2：一组输入信号x的预测类别记为j*，预测得分为记为预测得分为归一化指数函数前的得分；
步骤2.3：计算预测得分相对于每一层特征图的平均梯度如下：



其中表示特征图fk中位置(u,v)处的激活值；
步骤2.4：将平均梯度与...

【专利技术属性】
技术研发人员：黄亮，张友，潘伟建，陈晋音，钱丽萍，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33