一种基于MDS-CNN的干扰信号分类识别方法及系统技术方案

本发明专利技术涉及了一种基于MDS

【技术实现步骤摘要】
一种基于MDS
‑
CNN的干扰信号分类识别方法及系统


[0001]本专利技术涉及干扰信号识别
，特别是涉及一种基于MDS
‑
CNN的干扰信号分类识别方法及系统。

技术介绍

[0002]近年来，随着计算机运算能力的提高，神经网络得到了快速的发展，被广泛应用于图像处理、语音识别、计算机视觉、医学检查和信号检测等领域。在科技快速发展的今天，无线频谱资源日益紧张，各种电子设备受到的干扰增多，再加上人为的恶意干扰，使得战场电磁环境越来越复杂，干扰机、雷达等电子设备严重影响通信系统的性能，因此能够快速对干扰信号进行准确的分类识别，对指导通信系统抗干扰具有重要意义。
[0003]传统的干扰信号识别方法主要依靠人工提取特征，再利用分类器对干扰信号进行分类识别。常用的机器学习分类算法有BP(BackPropagation)神经网络、决策树和支持向量机(SupportVectorMachine，SVM)。利用提取特征方法的性能取决于提取特征的好坏，所提取的特征对识别结果有很大的影响。如何对干扰信号进行准确、快速的识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MDS
‑
CNN的干扰信号分类识别方法，其特征在于，所述方法包括如下步骤：获取不同干扰类型不同干噪比下的干扰信号，作为干扰信号样本，构建干扰信号数据集；采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集；利用降维后的干扰信号数据集对CNN模型进行训练，获得训练后的CNN模型；获取通信系统的干扰信号；对通信系统的干扰信号进行降维后，输入训练后的CNN模型进行识别。2.根据权利要求1所述的基于MDS
‑
CNN的干扰信号分类识别方法，其特征在于，干扰类型包括单音干扰、多音干扰、部分带干扰、噪声调频干扰和噪声调幅干扰。3.根据权利要求1所述的基于MDS
‑
CNN的干扰信号分类识别方法，其特征在于，所述采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集，具体包括：构建关于干扰信号数据集中任意两个干扰信号样本之间距离的距离矩阵；利用公式将所述距离矩阵中的每个元素转移到内积矩阵中；其中，b
ij
表示内积矩阵中第i行第j列的元素，dist
ij
表示距离矩阵中第i行第j列的元素，即，干扰信号数据集中第i个与第j个干扰信号样本的距离，和分别表示距离矩阵中的第i行元素平方的平均值、第j列元素平方的平均值和所有元素平方的平均值，值，N表示干扰信号数据集的样本个数；对所述内积矩阵进行特征值分解，选取M个较大的特征值，组成特征值对角矩阵；其中，M表示降维后的干扰信号数据集的维数；从所述内积矩阵中选取M个较大的特征值对应的特征向量，组成特征向量矩阵；根据所述特征值对角矩阵和所述特征向量矩阵，利用公式确定降维后的干扰信号数据集。4.根据权利要求1所述的基于MDS
‑
CNN的干扰信号分类识别方法，其特征在于，所述CNN模型包括依次连接的卷积层、第一全连接层、ReLU层、Dropout层、第二全连接、softmax层和输出层。5.根据权利要求1所述的基于MDS
‑
CNN的干扰信号分类识别方法，其特征在于，所述利用降维后的干扰信号数据集对CNN模型进行训练，获得训练后的CNN模型，具体包括：将降维后的干扰信号数据集划分为训练集和测试集；利用所述训练集对CNN模型进行训练，利用所述测试集对CNN模型进行测试，直到CNN模型的识别率达到预设阈值，获得训练后的CNN模型。6.根据权利要求1所述的基于MDS
‑
...

【专利技术属性】
技术研发人员：李新波，崔浩，孙子凤，关博，左昕雨，王旺，李卓，
申请(专利权)人：吉林大学，
类型：发明
国别省市：