【技术实现步骤摘要】
基于网络结构特征归纳的半监督调制类型识别方法、装置及介质
[0001]本专利技术实施例涉及无线通信
,尤其涉及一种基于网络结构特征归纳的半监督调制类型识别方法、装置及介质。
技术介绍
[0002]随着无线电技术及其应用的不断发展,辐射台站数量大规模增长,无线电用频设备量呈指数级上升态势,电磁频谱空间日益复杂。电磁空间作为承载移动通信、卫星通信、雷达探测、无源侦察、电子对抗等电磁活动的物理载体,所产生的电磁空间数据量将十分巨大,但传统的电磁样本数据处理方式主要以对电磁环境和目标电磁参数等物理量的测量为主。这些测量方式无法分析与处理如此庞大又复杂的数据,仅仅在时域或频域给出可用“空穴”作为结果,不能有效提供频谱资源管控与利用所需的时分复用、频分复用、空分复用以及码分复用等特性,势必难以支撑全面、准确、高效的电磁频谱空间认知,更难以满足电磁频谱空间管控与利用的需求。因此,实现对电磁频谱空间的深度感知和电磁目标行为特性的准确认知,才是完成电磁频谱空间综合利用和精准控制的基础。
[0003]在这样的发展背景下,如何用更加智能、深度、便捷的方法来分析处理电磁频谱空间大数据成为一项亟待解决的挑战。深度学习是一种获取知识与技能以达到提升自我能力的行为方式,是新一代人工智能技术的卓越代表。具体而言,深度学习通过创建一个计算系统,使其不断地从大量的知识中学习经验,并自行改善计算性能以更好地执行下次任务。显而易见,电磁频谱空间大数据便可以成为深度学习“营养丰富的食粮”。同时,面对现代化信息战争的新特点,深度学习也可提供新的电 ...
【技术保护点】
【技术特征摘要】
1.一种基于网络结构特征归纳的半监督调制类型识别方法,其特征在于,所述方法包括:将无标记样本集与小样本的有标记样本集输入至特征提取网络,获得所有样本各自对应的特征向量;基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵;根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵;构造并初始化迭代矩阵;利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛;根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测。2.根据权利要求1所述的方法,其特征在于,所述方法还包括:针对每种低阶调制信号类型,在当前电磁频谱空间所采集的调制信号样本集D
u
中获取N
label
个正确标注样本;将所述当前电磁频谱空间所采集的调制信号样本集D
u
中除去所述正确标注样本之外的剩余样本组成所述无标记样本集D
’
u
;在基于历史监测获取的高阶调制信号类型的有标记样本集D
l
中,针对每种高阶调制信号类型随机选取N
label
个样本,并与所述正确标注样本组成所述小样本的有标记样本集D
’
l
。3.根据权利要求2所述的方法,其特征在于,所述方法还包括:在由所述基于历史监测获取的高阶调制信号类型的有标记样本集D
l
训练所得到的高阶调制信号类型卷积识别网络中,将处于卷积层结构后的第一全连接层之后的部分截断并除去处于所述卷积识别网络后方网络层,形成所述特征提取网络。4.根据权利要求1所述的方法,其特征在于,所述基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵,包括:设定所述无标记样本集D
’
u
的样本数为u,所述小样本的有标记样本集D
’
l
的样本数为l,基于所述无标记样本集D
’
u
与所述小样本的有标记样本集D
’
l
的并集所形成的总样本集D
’
u
∪D
’
l
中的样本所对应的特征向量为x
n
,n=1,2,...,l+u;基于高斯函数定义利用所述总样本集中的样本所对应的特征向量以及下式获取连接矩阵W:其中,σ是预先设置的构图参数,且取值范围为σ>0。5.根据权利要求4所述的方法,其特征在于,所述根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵,包括:
将所述连接矩阵W的第i行元素之和作为第i个对角元素d
i
,形成所述对角矩阵D=diag(d1,d2,
…
,d
i
,
…
,d
l+u
),其中,根据所述连接矩阵W以及所述对角矩阵D,基于下式获取所述传播矩阵S:S=D
‑
1/2
WD
‑
1/2
。6.根据权利要求4所述的方法,其特征在于,所述构造并初始化迭代矩阵,包括:设定高阶调制信号类型与低阶调制信号类型的总数目为M,所述总样本集中的样本所对应的特征向量x
...
【专利技术属性】
技术研发人员:齐佩汉,都毅,王丹洋,孟永超,周小雨,丁渊磊,张抗抗,安智慧,刘向丽,关磊,位萱,张亚欣,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
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。