本申请实施例属于数据处理领域，涉及一种信号分类方法，包括：获取用户的输入信号；计算用户的输入信号在映射矩阵中的投影矩阵；计算投影矩阵的稀疏重构样本；计算稀疏重构样本的重构误差；将重构误差最小的类别作为用户的输入信号的类别。本申请还提供一种信号分类装置、计算机设备及存储介质。可以进行信号分类。可以进行信号分类。可以进行信号分类。
【技术实现步骤摘要】
信号分类方法、装置、计算机设备及存储介质
[0001]本申请涉及信号处理领域，尤其涉及一种信号分类方法、装置、计算机设备及存储介质。
技术介绍
[0002]特定辐射源识别(Specific Emitter Identification,SEI)技术是一种利用信号处理方法，分析测量获取的辐射源数据，来识别辐射源个体属性的技术。SEI技术可运用于检测非法辐射源信号，如在民用船舶自动报告系统(Automatic Identification System,AIS)中，如果有人修改了唯一标识舰船身份信息的海事移动服务识别号(Maritime Mobile Service Identity,MMSI)、位置、航速和其他AIS载荷信息，将给航行安全带来极大威胁。
技术实现思路
[0003]本申请实施例的目的在于提出一种信号分类方法、装置、计算机设备及存储介质，可以对信号进行了识别分类。
[0004]为了解决上述技术问题，本申请实施例提供一种信号分类方法，采用了如下所述的技术方案：
[0005]获取用户的输入信号；
[0006]计算所述用户的输入信号在映射矩阵中的投影矩阵；
[0007]计算所述投影矩阵的稀疏重构样本；
[0008]计算所述稀疏重构样本的重构误差；
[0009]将所述重构误差最小的类别作为所述用户的输入信号的类别。
[0010]进一步的，所述计算所述用户的输入信号在映射矩阵中的投影矩阵的步骤之前，还包括：
[0011]获取多个信号暂态；
[0012]获取预设的观测矩阵；
[0013]根据所述多个信号暂态以及所述观测矩阵计算稀疏系数；
[0014]根据所述稀疏系数计算第一矩阵以及第二矩阵；
[0015]根据所述第一矩阵以及第二矩阵计算所述映射矩阵。
[0016]进一步的，所述将所述重构误差最小的类别作为所述用户的输入信号的类别的步骤之后，还包括：
[0017]计算所述第一矩阵的复杂度以及所述第二矩阵的复杂度，得到矩阵复杂度；
[0018]计算所述稀疏系数的复杂度，得到系数复杂度；
[0019]计算代价复杂度；
[0020]根据所述矩阵复杂度、所述系数复杂度以及所述代价复杂度计算算法复杂度。
[0021]进一步的，所述将所述重构误差最小的类别作为所述用户的输入信号的类别的步骤之后，还包括：
[0022]将所述用户输入的信号转化成比特流；
[0023]根据所述比特流计算误码率；
[0024]根据所述误码率计算置信度。
[0025]进一步的，所述获取用户的输入信号的步骤之后，还包括：
[0026]去噪所述用户的输入信号，得到去噪后的信号；
[0027]时频变换所述去噪后的信号，得到时频信号；
[0028]将所述时频信号输入至训练好的DNN模型，得到多个时频特征；
[0029]将所述多个时频特征输入至多个训练好的SVM分类器，得到第一识别结果；
[0030]所述将所述重构误差最小的类别作为所述用户的输入信号的类别的步骤，包括：
[0031]将所述重构误差最小的类别作为第二识别结果；
[0032]加权求和所述第一识别结果以及所述第二识别结果，得到所述用户的输入信号的类别。
[0033]进一步的，所述将所述时频信号输入至训练好的DNN模型，得到多个时频特征的步骤之前，还包括：
[0034]获取多个标注好的初始信号以及多个标注好的时频特征；
[0035]获取初始DNN模型以及多个初始SVM分类器；
[0036]通过第一损失函数训练所述初始DNN模型，得到所述训练好的DNN模型；
[0037]通过第二损失函数训练所述多个初始SVM分类器，得到所述多个训练好的SVM分类器。
[0038]进一步的，所述获取用户的输入信号的步骤之前，还包括：
[0039]设置采样率、数据存储格式以及预设的信噪比。
[0040]为了解决上述技术问题，本申请实施例还提供一种信号分类装置，采用了如下所述的技术方案：
[0041]输入信号获取模块，用于获取用户的输入信号；
[0042]投影矩阵计算模块，用于计算所述用户的输入信号在映射矩阵中的投影矩阵；
[0043]稀疏重构样本计算模块，用于计算所述投影矩阵的稀疏重构样本；
[0044]重构误差计算模块，用于计算所述稀疏重构样本的重构误差；
[0045]信号类别分类模块，用于将所述重构误差最小的类别作为所述用户的输入信号的类别。
[0046]进一步的，所述信号分类装置还包括映射矩阵计算模块，所述映射矩阵计算模块还用于：
[0047]获取多个信号暂态；
[0048]获取预设的观测矩阵；
[0049]根据所述多个信号暂态以及所述观测矩阵计算稀疏系数；
[0050]根据所述稀疏系数计算第一矩阵以及第二矩阵；
[0051]根据所述第一矩阵以及第二矩阵计算所述映射矩阵。
[0052]进一步的，所述信号分类装置还包括复杂度计算模块，所述复杂度计算模块还用于：
[0053]计算所述第一矩阵的复杂度以及所述第二矩阵的复杂度，得到矩阵复杂度；
[0054]计算所述稀疏系数的复杂度，得到系数复杂度；
[0055]计算代价复杂度；
[0056]根据所述矩阵复杂度、所述系数复杂度以及所述代价复杂度计算算法复杂度。
[0057]进一步的，所述信号分类装置还包括置信度计算模块，所述置信度计算模块还用于：
[0058]将所述用户输入的信号转化成比特流；
[0059]根据所述比特流计算误码率；
[0060]根据所述误码率计算置信度。
[0061]进一步的，所述信号分类装置还包括AI模块，所述AI模块还用于：
[0062]去噪所述用户的输入信号，得到去噪后的信号；
[0063]时频变换所述去噪后的信号，得到时频信号；
[0064]将所述时频信号输入至训练好的DNN模型，得到多个时频特征；
[0065]将所述多个时频特征输入至多个训练好的SVM分类器，得到第一识别结果；
[0066]所述将所述重构误差最小的类别作为所述用户的输入信号的类别的步骤，包括：
[0067]将所述重构误差最小的类别作为第二识别结果；
[0068]加权求和所述第一识别结果以及所述第二识别结果，得到所述用户的输入信号的类别。
[0069]进一步的，所述信号分类装置还包括训练模块，所述训练模块还用于：
[0070]获取多个标注好的初始信号以及多个标注好的时频特征；
[0071]获取初始DNN模型以及多个初始SVM分类器；
[0072]通过第一损失函数训练所述初始DNN模型，得到所述训练好的DNN模型；
[0073]通过第二损失函数训练所述多个初始本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信号分类方法，其特征在于，包括下述步骤：获取用户的输入信号；计算所述用户的输入信号在映射矩阵中的投影矩阵；计算所述投影矩阵的稀疏重构样本；计算所述稀疏重构样本的重构误差；将所述重构误差最小的类别作为所述用户的输入信号的类别。2.根据权利要求1所述的信号分类方法，其特征在于，所述计算所述用户的输入信号在映射矩阵中的投影矩阵的步骤之前，还包括：获取多个信号暂态；获取预设的观测矩阵；根据所述多个信号暂态以及所述观测矩阵计算稀疏系数；根据所述稀疏系数计算第一矩阵以及第二矩阵；根据所述第一矩阵以及第二矩阵计算所述映射矩阵。3.根据权利要求2所述的信号分类方法，其特征在于，所述将所述重构误差最小的类别作为所述用户的输入信号的类别的步骤之后，还包括：计算所述第一矩阵的复杂度以及所述第二矩阵的复杂度，得到矩阵复杂度；计算所述稀疏系数的复杂度，得到系数复杂度；计算代价复杂度；根据所述矩阵复杂度、所述系数复杂度以及所述代价复杂度计算算法复杂度。4.根据权利要求1所述的信号分类方法，其特征在于，所述将所述重构误差最小的类别作为所述用户的输入信号的类别的步骤之后，还包括：将所述用户输入的信号转化成比特流；根据所述比特流计算误码率；根据所述误码率计算置信度。5.根据权利要求1所述的信号分类方法，其特征在于，所述获取用户的输入信号的步骤之后，还包括：去噪所述用户的输入信号，得到去噪后的信号；时频变换所述去噪后的信号，得到时频信号；将所述时频信号输入至训练好的DNN模型，得到多个时频特征；将所述多个时频特征输入至多个训练好的SVM分类器，得到第一识别结果；所述将所述重构误差最小的类别作为所述用...
【专利技术属性】
技术研发人员：夏春秋，
申请(专利权)人：深圳市唯特视科技有限公司，
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。