一种基于可扩展深度学习网络的信号分类方法技术

本发明专利技术提供一种基于可扩展深度学习网络的信号分类方法，涉及人工智能技术领域。针对卫星链路很多场景，无法获取先验信号相关知识，特别是卫星链路电子对抗等场景，所以需要针对截获信号进行接收，本发明专利技术建立基于稀疏完备编码的ENN(Extensive Neural Network)网络，包括幅度特征子网络的稀疏表示，频率特征子网络的稀疏表示，以及相位特征子网络的稀疏表示。以解决随着信噪比的降低，信道快衰落模型下的信号的调制方式识别率减低。进而解决DBN网络并不能仅仅通过增加隐层的方法来提高性能，而是需要多维度的完备稀疏编码来表示更高层次的抽象特征，因此多维度的深度学习架构在表示高维度数据特征时所需要的扩展架构更为高效。为高效。为高效。

【技术实现步骤摘要】
一种基于可扩展深度学习网络的信号分类方法


[0001]本专利技术涉及人工智能
，尤其涉及一种基于可扩展深度学习网络的信号分类方法。

技术介绍

[0002]由于截获信号处理过程是一种非合作通信过程，接收端无法预知所截获的信号的通信信道模型、通信信号状态、甚至截获的传输信道并不是理论模型所采用的高斯加性白噪声信道。本专利技术针对截获信号，在瑞利传输信道条件下，特别是在频率选择性信道条件下，建立ENN深度学习子网络进行截获多用户信号处理。并且根据子网络处理的输出信号，建立相应的多层网络特征提取及识别深度结果，进行融合判决输出。

技术实现思路

[0003]针对现有技术存在的问题，本专利技术提供一种基于可扩展深度学习网络的信号分类方法。针对卫星链路很多场景，无法获取先验信号相关知识，特别是卫星链路电子对抗等场景，所以需要针对截获信号进行接收，本专利技术建立基于稀疏完备编码的ENN(Extensive Neural Network)网络。
[0004]一种基于可扩展深度学习网络的信号分类方法，包括以下步骤：
[0005]步骤1：对截获的通信信号进行采集；设截获信号y(t)在第t个时间节点信号表示为，
[0006][0007]式中，x(t)为调制模式为M的截获信号，x(t)＝{x(1)
M
,x(2)
M
,
…
x(t)
M
}，A为截获信号的幅度，f作为截获信号的频率，为截获信号的相位，w(t)作为功率为的高斯加性白噪声信号；
[0008]步骤2：将采集的截获信号y(t)作为ENN网络的输入，设作为ENN网络的输出，建立基于稀疏完备编码的ENN网络架构，其中为第l阶ENN网络的输出估计；
[0009]步骤3：建立基于稀疏完备编码的ENN网络架构；
[0010]步骤3.1：建立一种基于非线性的函数作为学习的目标函数，即学习网络；设接收的截获信号y(t)的形式为极坐标，包括信号的幅度，载频及相位特性，则学习网络的系统损失函数J表示为，
[0011][0012]式中r
l
(t)为l阶ENN网络的理想输出；
[0013]则第l阶ENN输出估计表示为，
[0014][0015]其中，w
lk
为ENN网络第k个隐层与l个输出层的链接权值，h
k
为截获信号幅度，为载频，为相位，权值幅度A
w
表示为，
[0016]A
w
＝|w
lk
|,l＝1,...,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0017]步骤3.2：对截获信号幅度h
k
，载频相位建立网络激活函数，有下式，
[0018]tanh(y(t))＝e
y(t)
‑
e
‑
y(t)
/e
y(t)
+e
‑
y(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0019]式中，y(t)为ENN网络的输入序列，即截获的通信信号，表示为第k个隐层单元h
k
(t)：
[0020][0021]其中，λ
k
为第k个网络的步长因子，λ
k
＝[λ
k
(1),...,λ
k
(t)]T
，u
k
为第k个隐层单元的处理单元；
[0022]步骤4：定义{(r(1),y(2)),...(r(n),y(n)),...(r(t),y(t))}作为ENN网络系统的训练库；其中，y(n)为第n个训练单元的输入，r(n)作为第n个训练单元的训练输出，经过第l层网络的训练，分别计算幅度，相位及载频的幅度误差ζ
A
，相位误差载频误差ζ
f
；
[0023]所述幅度误差ζ
A
为，
[0024]ζ
A
＝|A
r
‑
A
r
|
→0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0025]其中A
r
、表示截获信号的真实值与截获信号的估计值的幅度判决误差。
[0026]所述相位误差为，
[0027][0028]其中表示截获信号的真实值与截获信号的估计值的相位判决误差。
[0029]所述载频误差ζ
f
为，
[0030][0031]其中表示截获信号的真实值与截获信号的估计值的载频判决误差。
[0032]步骤5：当幅度误差ζ
A
，相位误差载频误差ζ
f
趋近于0达到最小化时，即完成了信号的识别与分类。
[0033]本专利技术所产生的有益效果在于：
[0034]本专利技术提出一种基于可扩展深度学习网络的信号分类方法，面向卫星链路的截获信号，特别是电子战场景，无法获取有效信号，提出了ENN网络，包括幅度特征子网络的稀疏表示，频率特征子网络的稀疏表示，以及相位特征子网络的稀疏表示。以解决随着信噪比的降低，信道快衰落模型下的信号的调制方式识别率减低。进而解决DBN网络并不能仅仅通过增加隐层的方法来提高性能，而是需要多维度的完备稀疏编码来表示更高层次的抽象特征，因此多维度的深度学习架构在表示高维度数据特征时所需要的扩展架构更为高效。具备以下有益效果：
[0035]1、本专利技术建立基于超完备基的稀疏编码可扩展的深度神经网络，该网络针对海量
信号的幅度、频率以及相位，分别建立不同维度的子深度学习网络。并通过权值的正向训练，建立不同维度的完备稀疏编码，进而形成信号不同维度的特征稀疏表示。
[0036]2、本专利技术包括幅度特征子网络的稀疏表示，频率特征子网络的稀疏表示，以及相位特征子网络的稀疏表示。通过该专利技术解决随着信噪比的降低，快衰落信道模型下的信号的调制方式识别率减低。进而解决深度学习网络并不能仅仅通过增加隐层的方法来提高性能，而是需要多维度的完备稀疏编码来表示更高层次的抽象特征，因此多维度的深度学习架构在表示高维度数据特征时所需要的扩展架构更为高效。
[0037]3、本专利技术分别针对截获海量信号的幅度、频率以及相位，分别建立不同维度的网络稀疏表示。通过序列权值的正向训练，建立不同维度的完备稀疏编码，进而形成信号在不同维度的特征稀疏表示。
[0038]4、本专利技术的稀疏表示分别包括幅度特征子网络的稀疏表示，频率特征子网络的稀疏表示，以及相位特征子网络的稀疏表示。以解决随着信噪比的降低，信道模型下的信号的调制方式识别率减低。因此多维度的该稀疏表示针对深度学习架构在表示高维度数据特征时所需要的扩展架构更为高效。
附图说明
[0039]图1为本专利技术具体实施方式中ENN网络架构图。
具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可扩展深度学习网络的信号分类方法，其特征在于，包括以下步骤：步骤1：对截获的通信信号进行采集；设截获信号y(t)在第t个时间节点信号表示为，式中，x(t)为调制模式为M的截获信号，x(t)＝{x(1)
M
,x(2)
M
,
…
x(t)
M
}，A为截获信号的幅度，f作为截获信号的频率，为截获信号的相位，w(t)作为功率为的高斯加性白噪声信号；步骤2：将采集的截获信号y(t)作为ENN网络的输入，设作为ENN网络的输出，建立基于稀疏完备编码的ENN网络架构，其中为第l阶ENN网络的输出估计；步骤3：建立基于稀疏完备编码的ENN网络架构；步骤4：定义{(r(1),y(2)),...(r(n),y(n)),...(r(t),y(t))}作为ENN网络系统的训练库；其中，y(n)为第n个训练单元的输入，r(n)作为第n个训练单元的训练输出，经过第l层网络的训练，分别计算幅度，相位及载频的幅度误差ζ
A
，相位误差载频误差ζ
f
；步骤5：当幅度误差ζ
A
，相位误差载频误差ζ
f
趋近于0达到最小化时，即完成了信号的识别与分类。2.根据权利要求1所述的一种基于可扩展深度学习网络的信号分类方法，其特征在于，所述步骤3具体包括以下步骤：步骤3.1：建立一种基于非线性的函数作为学习的目标函数，即学习网络；设接收的截获信号y(t)的形式为极坐标，包括信号的幅度，载频及相位特性，则学习网络的系统损失函数J表示为，式中r
l
(t)为l阶ENN网络的理想输出；则第l阶ENN输出估计表示为，其中，w

【专利技术属性】
技术研发人员：关庆阳，吴双，
申请(专利权)人：西安外事学院，
类型：发明
国别省市：