一种基于深度残差网络的ETC干扰信号发射机的识别方法及系统技术方案

本发明专利技术提出了一种基于深度残差网络的ETC干扰信号发射机的识别方法及系统，识别方法主要包括如下步骤：步骤1、通过结合地感线圈定向接受ETC干扰信号，构建ETC干扰信号数据集；步骤2、将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集；步骤3、对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示；步骤4、设计深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，进而识别ETC干扰信号类型。本发明专利技术能够自动地从训练集数据中提取对ETC干扰信号识别有用的抽象特征，无需人工参与提取特征，此外，引入标签平滑，批量归一化等方式进一步提升识别网络的泛化性能。

【技术实现步骤摘要】
一种基于深度残差网络的ETC干扰信号发射机的识别方法及系统
本专利技术涉及一种基于深度残差网络的ETC干扰信号发射机的识别方法及系统，涉及无线信号发射机个体识别领域。
技术介绍
ETC是电子不停车收费系统，是高速公路或桥梁自动收费。通过安装在车辆挡风玻璃上的车载电子标签与收费站ETC车道上的微波天线之间进行的专用短程通讯，利用计算机联网技术与银行进行后台结算处理，从而达到车辆通过高速公路或桥梁收费站无需停车而能交纳高速公路或桥梁费用的目的。目前，一些不法分子利用无线电干扰机干扰ETC的收费系统，达到逃避过路费的目的，造成一定的经济损失，对高速公路ETC的发展产生较大的负面影响。所以，需要一种识别ETC干扰器个体的方法用来识别干扰信息并记录干扰源发射个体的特征，进而实现留存证据、追缴纳费甚至追究法律责任的后续处理工作。在现有技术中仅有针对干扰源定位的方法，此类定位方法无法进行深度特征提取，导致网络识别的泛化能力不高，因此难以对干扰信号发射机进行有效的个体识别。
技术实现思路
专利技术目的：一个目的是提出一种基于深度残差网络的ETC干扰信号发射机的识别方法，以解决现有技术存在的上述问题。进一步目的是提出一种实现上述方法的系统。技术方案：一种基于深度残差网络的ETC干扰信号发射机的识别方法，包括以下步骤：步骤1、通过结合地感线圈定向接受ETC干扰信号，构建ETC干扰信号数据集；步骤2、将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集；步骤3、对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示；步骤4、设计深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，通过测试集测试最优深度残差网络识别模型，进而识别ETC干扰信号类型。在进一步的实施例中，步骤2中所述训练集、验证集和测试集占每类干扰信号数据的比例分别为60%、20%和20%；步骤3中利用主成分分析得到的干扰样本特征向量维度占初始干扰样本特征维度的30%。在进一步的实施例中，步骤4进一步包括：步骤4-1、在深度残差网络中引入恒等映射并进一步提取ETC干扰信号的深层抽象特征；步骤4-2、在深度残差网络中引入批量归一化操作以及标签平滑策略；步骤4-3、训练深度残差网络，通过反向传播算法迭代更新各层之间的连接权重；步骤4-4、使用训练好的深度残差识别网络对测试干扰样本类型进行识别。在进一步的实施例中，深度残差网络通过引入恒等映射的思想，在一定程度上解决了由于卷进神经网络深度的增加造成识别模型识别性能下降的情况，充分发挥了卷进神经网络的深度的优势，能够提取ETC干扰信号的深层抽象特征。通过恒等映射，打破了传统神经网络n-1层的输出只能给n层作为输入的惯例，这样处理后，网络的泛化能力更强。其中，设计的深度残差识别网络基本结构主要包括卷积层，池化层，非线性映射层，残差块以及全连接层。利用卷积操作的“局部连接”和“权值共享”的特性，有效地解决了训练的开销。通过卷积、池化和非线性映射等操作，对输入的干扰信号进行加工，在连接层实现与输出目标类型之间的映射，每种特征映射都是通过一维卷积滤波器提取干扰信号一种局部特征，根据局部相关原理，池化层对卷积层得到的特征进行降采样的处理，从而在减小模型训练量的同时保留有用的特征信息。在进一步的实施例中，为了加快深度残差识别网络的收敛速度，在设计网络的时候引入批量归一化(BacthNormalization,BN)的操作。为BN的定义如下：其中，假设神经网络的一层具有d维输入特征向量，代表输入特征向量x的均值，代表输入特征向量x的方差，代表输入特征向量x第k维的特征值，代表归一化后输入特征向量x第k维的特征值，代表经过缩放和平移后的归一化特征值，和代表可学习的平移和缩放参数，BN插入在网络的任何层中；由于深度网络模型容易出现过拟合的现象，为了增强网络的泛化能力，在设计模型时引入标签平滑的策略。标签平滑定义如下：在神经网络的研究中，对于分类识别问题，常常把训练样本的标签转换为one-hot向量编码的形式。则对于常用于分类识别的交叉熵损失函数来说，使用one-hot编码是无法保证模型的泛化能力，容易造成过拟合。标签平滑是一种对损失函数的修正方法，使得神经网络在一定程度上考虑错误标签所贡献的损失。假设调制信号样本为,以二分类为例，其中，是训练的标签，为0或者为1。在每次迭代训练时，并不直接将放到训练集中，而是设置一个错误率，以的概率将代入训练，以的概率将代入训练。这样，模型在训练时，既有正确标签输入，又有错误标签输入。通过这种方式训练出来的模型不会全力匹配每个一个训练标签，而是在一定程度上的匹配。这样，假设出现错误标签，模型受到的影响更小。当神经网络采用交叉熵损失函数时，对于每个样本，网络的损失函数表示为：式中表示网络预测样本类别为1时的概率，表示预测的样本类别，其余各符号含义同上；引入标签平滑时，网络的损失函数变为：其中：当标签为0时，并不把0直接放到训练，而是将其替换为一个比较小的数，同样地，如果标签为1，将其替换成比较接近于1的数。在进一步的实施例中，在训练深度残差网络的过程中，通过反向传播算法不断地迭代更新各层之间的连接权重，使得整个ETC干扰信号识别网络能够较为准确的学习。其中，公式(1)反映了识别网络提取第k层的特征与第k-1层特征之间的关系。式中的代表非线性激活函数，能够增强网络的非线性表达能力。在最后一次卷积操作后，引入全连接层的操作，全连接层起到了将卷积层、池化层学习到的“分布式特征表示”映射到样本标记空间的作用。代表非线性激活函数，表示特征值，表示第k层第j个特征，表示第k-1层第i个特征值，表示连接第k层第j个特征值与第k-1层第i个特征值之间的权重值，表示连接第k层第j个特征值与第k-1层第i个特征值之间的偏置，N表示第k-1层神经元的个数。在进一步的实施例中，步骤4-4进一步包括：使用训练好的深度残差识别网络对测试干扰样本类型进行识别。首先，将测试的样本进行PCA处理后输入到基于深度残差识别网络，基于深度残差的识别网络对测试样本进行特征提取，将最后一层卷积层提取到的特征输入到全连接层中，将卷积层学习到的分布式特征进一步映射到干扰样本标记空间，最后将全连接层的输出经过softmax操作，得到对应测试样本的干扰信号类别。通过深度残差识别网络输出的类别与测试样本本身的类别标号进行对比，可以计算出识别网络的识别精度的定量衡量。通过该网络，能够精确识别ETC干扰信号类型，进而确定干扰发射机类型，方便后期对违法车辆进行追查和惩罚。一种基于深度残差网络的ETC干扰信号发射机的识别系统，其特征是包括用于定向接受ETC干扰信号，构建ETC干扰信号数据集的第一模块；用于将ETC干扰信号数据集按照预定比例划分成训练集本文档来自技高网...

【技术保护点】
1.一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征是包括以下步骤：/n步骤1、通过结合地感线圈定向接受ETC干扰信号，构建ETC干扰信号数据集；/n步骤2、将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集；/n步骤3、对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示；/n步骤4、设计深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，通过测试集测试最优深度残差网络识别模型，进而识别ETC干扰信号类型。/n

【技术特征摘要】
1.一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征是包括以下步骤：
步骤1、通过结合地感线圈定向接受ETC干扰信号，构建ETC干扰信号数据集；
步骤2、将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集；
步骤3、对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示；
步骤4、设计深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，通过测试集测试最优深度残差网络识别模型，进而识别ETC干扰信号类型。


2.根据权利要求1所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于：
步骤2中所述训练集、验证集和测试集占每类干扰信号数据的比例分别为60%、20%和20%；
步骤3中利用主成分分析得到的干扰样本特征向量维度占初始干扰样本特征维度的30%。


3.根据权利要求1所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4进一步包括：
步骤4-1、在深度残差网络中引入恒等映射并进一步提取ETC干扰信号的深层抽象特征；
步骤4-2、在深度残差网络中引入批量归一化操作以及标签平滑策略；
步骤4-3、训练深度残差网络，通过反向传播算法迭代更新各层之间的连接权重；
步骤4-4、使用训练好的深度残差识别网络对测试干扰样本类型进行识别。


4.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-1中所述深度残差网络包括卷积层，池化层，非线性映射层，残差块以及全连接层；通过卷积、池化和非线性映射操作，对输入的干扰信号进行加工，在连接层实现与输出目标类型之间的映射，每种特征映射都是通过一维卷积滤波器提取干扰信号一种局部特征，根据局部相关原理，池化层对卷积层得到的特征进行降采样的处理。


5.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-2中所述批量归一化操作定义如下：






其中，假设神经网络的一层具有d维输入特征向量，代表输入特征向量x的均值，代表输入特征向量x的方差，代表输入特征向量x第k维的特征值，代表归一化后输入特征向量x第k维的特征值，代表经过缩放和平移后的归一化特征值，和代表可学习的平移和缩放参数，BN插入在网络的任何层中；
步骤4-2中所述标签平滑策略如下：
定义调制信号样本为，其中，是训练的标签，为0或者为1；
在每次迭代训练时，设置一个错误率，以的概率将代入训练，以的概率将代入训练；
当神经网络采用交叉熵损失函数时，对于每个样本，网络的损失函数表示为：



式中表示网络预测样本类别为1时的概率，表示预测的样本类别，其余各符号含义同上；
引入标签平滑时，网络的损失函数变为：



式中，表示引入标签平滑后的训练标签，其余各符号含义同上；
其中：



当标签为0时，并不把0直接放到训练，而是将其替换为，当标签为1，将其替换成。


6.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-3中所述深度残差网络中的第k层的特征与第k-1层特征之间的关系如下：






式中，代表非线性激活函数，表示特征值，表示第k层第j个特征，表示第k-1层第i个特征值，表示连接第k层第j个特征值与第k-1层第i个特征值之间的权重值，表示连接第k层第j个特征值与第k-1层第i个特征值之间的偏置，N表示第k-1层神经元的个数。


7.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-4进一步包括：
步骤4-4a、将测试的样本进行PCA处理后输入到基于深度残差识别网络，基于深度残差的识别网络对测试样本进行特征提取，将最后一层卷积层提取到的特征输入到全连接层中；
步骤4-4b、将卷积层学习到的分布式特征进一步映射到干扰...

【专利技术属性】
技术研发人员：曾德国，鲁加战，李志坚，李振宇，刘晓俊，
申请(专利权)人：南京航天工业科技有限公司，
类型：发明
国别省市：江苏;32