一种基于频谱模板的信号快速识别方法技术

本发明专利技术公开了一种基于频谱模板的信号快速识别方法，属于频谱监测、信号干扰排查领域，首先根据已知信号库中的信号频谱轮廓信息，利用基于高斯过程和贝叶斯决策的机器学习方法进行学习训练建立基于频谱模板的信号识别模型；然后根据构建的基于频谱模板的信号识别模型，采用先进的并行计算架构，使用基于频谱模板的信号快速识别模型对未知信号进行快速匹配识别，实现未知信号的快速识别。本发明专利技术不需要提取信号的IQ数据，根据信号的频谱轮廓信息即可建立识别模型并根据未知信号的频谱轮廓进行快速匹配识别；针对信号繁多处理耗时的问题，建立基于信号识别模型的高效率并行计算分析架构，实现模型的快速生成和未知信号的快速识别。识别。识别。

【技术实现步骤摘要】
一种基于频谱模板的信号快速识别方法


[0001]本专利技术属于频谱监测、信号干扰排查领域，具体涉及一种基于频谱模板的信号快速识别方法。

技术介绍

[0002]随着电子技术的发展，各种新型信息化设备不断出现，电磁辐射源辐射的电磁信号越来越多，形成了宽频段、多类型、快变化的复杂电磁环境。在此情况下对在复杂电磁环境中的信号识别能力的需求也变得越来越迫切，根据应用需求，需要实现信号的实时快速识别，然而现有的技术手段，只具备基于IQ信号的识别能力，不具备基于频谱模板匹配的信号快速识别能力。
[0003]而且目前的信号快速识别方法存在两个问题：第一，现有信号识别方法的原理是基于IQ信号的识别，在得到IQ信号的过程中需要进行一系列处理，此处理需要耗费一定时间，导致其识别速度较慢；第二，在复杂的电磁环境下存在繁多的信号，如果对每个信号进行处理识别，会严重影响工作效率，无法满足实时监测的要求。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种基于频谱模板的信号快速识别方法，基于已知信号的频谱轮廓线与未知信号进行比对，若相似度高的就认为该未知信号就是已知信号，解决宽带信号的快速识别问题，形成宽带信号快速识别能力。
[0005]本专利技术的技术方案如下：
[0006]一种基于频谱模板的信号快速识别方法，包括如下步骤：
[0007]S1.对已知频谱模板的信号样本进行重采样，按信号已知类别进行分类得到多个子样本集合；
[0008]S2.对每个子样本集合通过高斯过程回归分别建立信号识别子模型；
[0009]S3.输入一个未知信号，基于并行计算架构将该未知信号同时输入每个信号识别子模型，每个信号识别子模型均输出一个满足高斯分布的预测结果；
[0010]S4.通过贝叶斯决策将所有信号识别子模型的预测输出进行融合，输出最终预测的信号类型。
[0011]优选地，步骤S2中，高斯过程回归的具体内容为：
[0012]S201.将一组由n个输入输出对样本组成的训练数据记为{(x
i
,y
i
)|i＝1,
…
,n}，输入向量x
i
为一个d维的列向量，y
i
为输出并且y
i
＝f(x
i
)；
[0013]S202.对于一个测试输入向量x
*
，其预测输出分布是由n个训练输出和一个测试输出组成的n+1维的联合高斯分布，表示为：
[0014][0015]联合高斯分布的均值函数表示为：
[0016]m(x
*
)＝k
T
(x
*
)K
‑1y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017]联合高斯分布的方差表示为：
[0018]σ2(x
*
)＝C(x
*
,x
*
)
‑
k
T
(x
*
)K
‑1k(x
*
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0019]其中，C(x
i
,x
j
)表示向量x
i
和x
j
之间的协方差；k(x
*
)表示测试输入向量x
*
和训练输入向量之间的协方差向量，为k(x
*
)＝[C(x
*
,x1),
…
C(x
*
,x
n
)]T
；K是训练输入向量之间组成的n
×
n维的协方差矩阵，其矩阵元素表示为K
ij
＝C(x
i
,x
j
)；
[0020]S203.确定复合协方差函数并建立模型，复合协方差函数表示为：
[0021]C(x
i
,x
j
)＝C
SE
(x
i
,x
j
)
×
C
PER
(x
i
,x
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0022][0023]C
PER
(x
i
,x
j
)＝exp[(
‑
2sin2[πx
i
‑
x
j
|/v2])/v3]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0024]其中，C
SE
(x
i
,x
j
)为平方指数协方差函数，C
PER
(x
i
,x
j
)是一个周期性的协方差函数，超参数v1，v2，v3和ω
t
(t＝1,
…
d)的取值通过使其对数似然估计达到最大值得到。
[0025]优选地，超参数的对数似然估计为：
[0026][0027]其中，α＝[v1,v2,v3,ω
t
(t＝1,
…
d)]T
表示所有超参数组成的向量，|K|表示矩阵K中元素组成的行列式的值；
[0028]对数似然估计对每一个超参数的偏导数表示为：
[0029][0030]优选地，采用梯度优化方法对超参数的取值进行优化，以得到能够使对数似然估计取得最大值的超参数；
[0031]所述梯度优化方法利用函数沿着梯度方向变化最快的特性，实现对函数最大值的快速寻找；对数似然估计函数L(α)的梯度表示为：
[0032][0033]根据梯度优化方法的原理，其迭代过程的表达式为：
[0034]α
k+1
＝α
k
+μ
k
▽
L(α)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0035]其中，k表示迭代步数，μ
k
表示迭代步长；
[0036]当k达到设定的数值或者α
k
和α
k
‑1之间的相对误差小于设定的参数ε时，取α
k
作为最后的超参数的取值。
[0037]优选地，步骤S4中，对于一个未知信号的测试输入向量x
*
，每个信号识别子模型都会预测出一组符合高斯分布的输出，包括均值m
j
(x
*
),j＝1,2,
…
u与方差
对于所有子模型的输出，采用贝叶斯决策将这些输出融合为最终的输出，具体表达式为：
...

【技术保护点】

【技术特征摘要】
1.一种基于频谱模板的信号快速识别方法，其特征在于，包括如下步骤：S1.对已知频谱模板的信号样本进行重采样，按信号已知类别进行分类得到多个子样本集合；S2.对每个子样本集合通过高斯过程回归分别建立信号识别子模型；S3.输入一个未知信号，基于并行计算架构将该未知信号同时输入每个信号识别子模型，每个信号识别子模型均输出一个满足高斯分布的预测结果；S4.通过贝叶斯决策将所有信号识别子模型的预测输出进行融合，输出最终预测的信号类型。2.根据权利要求1所述基于频谱模板的信号快速识别方法，其特征在于，所述步骤S2中，高斯过程回归的具体内容为：S201.将一组由n个输入输出对样本组成的训练数据记为{(x
i
,y
i
)|i＝1,
…
,n}，输入向量x
i
为一个d维的列向量，y
i
为输出并且y
i
＝f(x
i
)；S202.对于一个测试输入向量x
*
，其预测输出分布是由n个训练输出和一个测试输出组成的n+1维的联合高斯分布，表示为：联合高斯分布的均值函数表示为：m(x
*
)＝k
T
(x
*
)K
‑1y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)联合高斯分布的方差表示为：σ2(x
*
)＝C(x
*
,x
*
)
‑
k
T
(x
*
)K
‑1k(x
*
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，C(x
i
,x
j
)表示向量x
i
和x
j
之间的协方差；k(x
*
)表示测试输入向量x
*
和训练输入向量之间的协方差向量，为k(x
*
)＝[C(x
*
,x1),
…
C(x
*
,x
n
)]
T
；K是训练输入向量之间组成的n
×
n维的协方差矩阵，其矩阵元素表示为K
ij
＝C(x
i
,x
j
)；S203.确定复合协方差函数并建立模型，复合协方差函数表示为：C(x
i
,x
j
)＝C
SE
(x
i
,x
j
)
×
C
PER
...

【专利技术属性】
技术研发人员：王珂琛，刘军，黄朋，
申请(专利权)人：中国电子科技集团公司第四十一研究所，
类型：发明
国别省市：