一种基于目标特征自学习的复杂电磁信号模拟发生方法技术

本发明专利技术公开了一种基于目标特征自学习的复杂电磁信号模拟发生方法，属于电子测试技术领域，通过人工神经网络算法进行目标特征自学习，建立自主升级迭代拟合的电磁信号网络模型，实现复杂电磁信号的高精度模拟。所述电磁信号网络模型包括编码器和解码器两个单元，均采用全连接人工神经网络技术；编码器单元将输入信号全部转变为数字信息，然后传入解码器，解码器再将该数字信息重构为信号；复杂电磁信号模拟的整个过程完成的是信号到数据再到信号的迭代拟合，同时，网络拟合生成的复杂电磁信号又可作为新的网络输入，实现了拟合模型的螺旋式自动优化。本发明专利技术可以有效解决电磁空间构建对传统理想数学公式的高度依赖造成的模拟逼真度低的问题。拟逼真度低的问题。拟逼真度低的问题。

【技术实现步骤摘要】
一种基于目标特征自学习的复杂电磁信号模拟发生方法


[0001]本专利技术属于电子测试
，具体涉及一种基于目标特征自学习的复杂电磁信号模拟发生方法。

技术介绍

[0002]复杂电磁信号模拟发生技术是雷达信号模拟、电子对抗、复杂电磁环境模拟等
的关键技术之一，广泛应用于通信、雷达、导航等多个领域的测试工作中的激励信号产生。目的是产生各类可应用于各领域的复杂电磁信号。传统的数字域仿真模拟是基于特定种类的电磁信号的理想数学公式进行仿真数据的产生，是在理想假设条件下，真实信号的近似。这就决定了传统方法的本质是基于理想条件的电磁信号叠加，从而限制了对复杂电磁信号的模拟能力。
[0003]目前，传统复杂电磁环境模拟发生的通用方法基于特定种类的电磁信号的理想数学公式进行仿真数据的产生，是在理想假设条件下，真实信号的近似。以矢量雷达信号模拟发生为例，原理如图1所示，用户可根据需求在控制面板设置相关参数，软件对设置好的数据集合进行解析，进而编译产生指定类型和参数的雷达信号，并以文件形式存放于系统存储空间，以待用户提取调用。此外，也可直接对产生的波形数据通过LAN通信传输至信号发生器，实现射频输出。由此可见，此方案虽然可以实现矢量雷达信号的模拟发生，但是是基于特定种类的电磁信号的理想数学公式进行仿真数据的产生，是在理想假设条件下，真实信号的近似。这也导致了所模拟发生的电磁信号与真实空间误差较大且不方便评估，无法满足电磁环境模拟的相关要求的问题。
[0004]综上，现有技术的主要包括以下缺点：传统的数字域仿真模拟是基于特定种类的电磁信号的理想数学公式进行仿真数据的产生，是在理想假设条件下，真实信号的近似；基于传统方法发生出的电磁信号叠加构成电磁空间与真实空间误差较大且不方便评估，无法满足电磁环境模拟的相关要求。

技术实现思路

[0005]为了解决电磁空间构建对传统理想数学公式的高度依赖造成的模拟逼真度低的问题，本专利技术提出了一种基于目标特征自学习的复杂电磁信号模拟发生方法，通过人工神经网络算法进行目标特征自学习，建立自主升级迭代拟合的电磁信号模型，实现突破经典数学公式的复杂电磁信号高精度模拟。
[0006]本专利技术的技术方案如下：
[0007]一种基于目标特征自学习的复杂电磁信号模拟发生方法，通过人工神经网络算法进行目标特征自学习，建立自主升级迭代拟合的电磁信号网络模型，实现复杂电磁信号的高精度模拟。
[0008]优选地，电磁信号网络模型包括编码器和解码器两个单元。
[0009]优选地，编码器和解码器单元均采用全连接人工神经网络技术。
[0010]优选地，编码器的输入为真实复杂电磁信号，编码器的输出层维度m小于输入层的维度n；所述解码器的输入层为编码器的输出层。
[0011]优选地，具体发生原理为：编码器输入端输入真实复杂电磁信号，对输入信号进行降维，自主学习提取该信号的目标特征；解码器再将提取出的目标特征进行重构生成最终的复杂电磁信号。
[0012]优选地，应用电磁信号网络模型生成的复杂电磁信号又可以作为输入信号，重新输入到网络模型中，完成对网络模型的优化，进一步提高模型性能。
[0013]优选地，编码器单元将输入信号全部转变为数字信息，然后传入解码器，解码器再将该数字信息重构为信号；复杂电磁信号模拟的整个过程完成的是信号到数据再到信号的迭代拟合，实现了拟合模型的螺旋式自动优化。
[0014]优选地，编码器的代价函数为：
[0015][0016]其中，J(W,b)是常规自编码网络训练代价函数；W是网络模型的权值；b是网络模型的偏置；β是稀疏性因子的权重稀疏；是一个以ρ为均值和一个以为均值的两个伯努利随机变量之间的相对熵。
[0017]本专利技术所带来的有益技术效果：
[0018]本专利技术通过人工神经网络算法进行目标特征自学习，建立自主升级迭代拟合的电磁信号模型，实现突破经典数学公式的复杂电磁信号高精度模拟发生；可从根本上降低模拟电磁空间与真实空间的误差，提升信号质量。
附图说明
[0019]图1为矢量雷达信号模拟发生原理框图；
[0020]图2为本专利技术自编码目标特征自学习复杂电磁信号模拟发生原理框图；
[0021]图3为本专利技术电磁信号模型的迭代优化原理框图。
具体实施方式
[0022]下面结合附图以及具体实施方式对本专利技术作进一步详细说明：
[0023]如图2所示，基于目标特征自学习的复杂电磁信号模拟发生方法主要由编码器和解码器两个单元完成。编码器单元采用全连接人工神经网络技术实现对真实复杂电磁信号的自主特征提取。编码器的输入为真实复杂电磁信号，结构上采用全连接人工神经网络，编码器的输出层维度m小于输入层的维度n，实现对输入信号的降维，实现对真实复杂电磁信号自主特征提取。总体来说，编码器单元将信号全部转变为数字信息。解码器同样采用全连接人工神经网络技术实现对所模拟复杂电磁信号的重构，即完成数字到信号的重构。解码器的输入层为编码器的输出层，即解码器利用编码器所提取的真实复杂电磁信号的特征重构复杂电磁信号。最终自编码器的代价函数可以表示为：
[0024][0025]其中，J(W,b)是常规自编码网络训练代价函数；W是网络模型的权值；b是网络模型的偏置；β是稀疏性因子的权重稀疏；是一个以ρ为均值和一个以为均值的两个伯努利随机变量之间的相对熵。通过代价函数训练自编码网络，其隐含层通过学习实现自动特征提取功能，隐含层的输出信号即为输入信号所对应的信号特征。
[0026]通过迭代训练得到最终的网络模型，可以用于完成复杂电磁信号的发生，与此同时，应用网络生成的复杂电磁信号又可以作为输入信号，完成对网络模型的优化，进一步提高模型性能，完成对拟合模型的螺旋式自动优化。
[0027]可以看出，本专利技术提出的目标特征自学习的复杂电磁信号模拟发生方法实现了如图3所示的信号到数据再到信号的迭代拟合过程，实现了拟合模型的螺旋式自动优化，解决了电磁空间构建对传统理想数学公式的高度依赖造成的模拟逼真度低的问题。
[0028]当然，上述说明并非是对本专利技术的限制，本专利技术也并不仅限于上述举例，本
的技术人员在本专利技术的实质范围内所做出的变化、改型、添加或替换，也应属于本专利技术的保护范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标特征自学习的复杂电磁信号模拟发生方法，其特征在于，通过人工神经网络算法进行目标特征自学习，建立自主升级迭代拟合的电磁信号网络模型，实现复杂电磁信号的高精度模拟。2.根据权利要求1所述基于目标特征自学习的复杂电磁信号模拟发生方法，其特征在于，所述电磁信号网络模型包括编码器和解码器两个单元。3.根据权利要求2所述基于目标特征自学习的复杂电磁信号模拟发生方法，其特征在于，所述编码器和解码器单元均采用全连接人工神经网络技术。4.根据权利要求3所述基于目标特征自学习的复杂电磁信号模拟发生方法，其特征在于，所述编码器的输入为真实复杂电磁信号，编码器的输出层维度m小于输入层的维度n；所述解码器的输入层为编码器的输出层。5.根据权利要求4所述基于目标特征自学习的复杂电磁信号模拟发生方法，其特征在于，具体发生原理为：编码器输入端输入真实复杂电磁信号，对输入信号进行降维，自主学习提取该信号的目标特征；解码器再...

【专利技术属性】
技术研发人员：台鑫，许建华，张志斌，刘亮，薛晓男，刘青松，
申请(专利权)人：中电科思仪科技股份有限公司，
类型：发明
国别省市：