一种信号分类识别方法技术

本发明专利技术属于数据表示、分类与信号识别技术领域，尤其涉及基于EMD分解、双谱特征及神经网络对射频信号分类识别方法。所述方法，包括：将欲分类的信号循环加入噪声并取模值得到幅度数据；依据有效数据阶数对幅度数据进行改进的集总平均经验模态分解，得到本征模函数分量及剩余信号；将剩余信号划分得到训练数据集与测试数据集；遍历训练数据集与测试数据集中的样本提取双谱特征得到该样本的双谱特征矩阵，并分别构建训练集和测试集；构造卷积神经网络；将训练集输入卷积神经网络中进行训练，得到训练好的模型；将测试集输入训练好的模型中，得到分类识别结果。所述方法实现了对接收到的射频信号高准确率分类。频信号高准确率分类。频信号高准确率分类。

【技术实现步骤摘要】
一种信号分类识别方法


[0001]本专利技术属于数据表示、分类与信号识别
，尤其涉及一种基于改进的总体平均经验模态分解（ModifiedEnsemble Empirical Mode Decomposition, MEEMD）、径向积分双谱及神经网络的分类识别方法。

技术介绍

[0002]5G推动了万物互联物联网技术的发展，物联网的一个重要特征就是大规模连接。大量设备产生不同种类的信号，包括模拟、数字、图像等以数据形式存在的信号，引发各种数据分类与信号识别问题。数据分类也应用广泛，如：用于物联网识别、空间频谱资源管控及射频安全等相关领域的，因此，信号分类识别具有很大的应用价值及实际意义。所谓分类，就是把相同内容或相同性质的信息为一个类别，而把相异的信息区分开来，即是把具有某种或某些共同属性或特征的数据归并在一起，通过其类别的属性或特征来对数据进行区分，区分为不同集合后，确定各个集合之间的关系，形成一个有条理的分类与识别系统。
[0003]未来每平方公里百万级的连接为物联网系统带来了能量消耗大、硬件费用高和频谱资源短缺三个挑战。各类通信系统的信号分类与时频处理息息相关，和大规模连接的发展需求相契合。对于各类无线设备而言，由于发射机和接收机之间的传播路径非常复杂，传播的机制也是多种多样的，在电波的传播过程中会受到信道的影响，信号经复杂信道后接收的信号往往非平稳且其统计量是时变的。为了实现对射频信号的分类，往往需要提取射频信号特征。因此，先进行时频变换提取特征再进行分类，是对射频信号分类识别的思路之一。/>[0004]特征提取一般有傅里叶变换、短时傅里叶变换、小波变换、功率谱以及倒频谱等。傅里叶分析对于非平稳射频信号特征并不能做到局部表征，仅可用于了解信号在时频域的全局特性；短时傅里叶变换虽可以描述某一局部时间段上的频率信息，但随着信号时间的增长，信号在短时间内的平稳难以保证；小波变换可以在时频域表征信号局部特征，然而它和传统傅里叶分析方法一样，属于线性时频分析方法，无法描述信号的瞬时功率谱密度。因此，无论时频分析还是谱图分析均不能全面直观反映射频信号在时域和频域的全部特征，时频分辨率折中问题成为时频特征提取的瓶颈。此外，信号频率信息在不同时间上不同，很难找到一个合适的分析窗适应信号的全部时间段。
[0005]对无线射频信号进行分类与识别，通常需要选择时移不变性、尺度不变性以及相位保持性特征。高阶谱满足上述条件，还具备较强抗噪声性，保留信号幅度和相位信息且与时间无关，能衡量随机序列偏离正态的程度，有效地显现信号的非高斯、非线性特性。双谱分析相对简单，计算量较小且保持了高阶谱分析共有的优点，因此在信号检测、参数估计以及目标分类识别运用广泛。
[0006]深度学习在特征提取和建模上有着相较浅层模型显然的优势。深度学习善于从原始输入数据中挖掘越来越抽象的特征表示，而这些表示具有良好的泛化能力。它克服了过去人工智能中被认为难以解决的一些问题且随着训练数据集数量的显著增长及芯片处理
能力的剧增，它在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，因此也促进了人工智能的发展。深度学习是包含多级非线性变换的层级机器学习方法，深层神经网络是目前的主要形式，其神经元间的连接模式受启发于动物视觉皮层组织，而卷积神经网络则是其中一种经典而广泛应用的结构。卷积神经网络的局部连接、权值共享及池化操作等特性使之能有效降低网络复杂度，减少训练参数的数目，使模型对平移、扭曲、缩放具有一定程度的不变性，并具有强鲁棒性和容错能力且易于训练和优化。

技术实现思路

[0007]本专利技术的目的在于针对无线设备接收到的射频信号因为受噪声、遮挡以及各类干扰导致对接收信号的分类准确度低的技术缺陷，提出了一种信号分类识别方法，所述方法基于改进的EEMD、径向积分双谱及神经网络，对不同类型的无线信号进行分类与识别。
[0008]为了达到上述目的，本专利技术采取如下技术方案：所述信号分类识别方法，包括如下步骤：S0、初始化加噪循环次数以及内循环次数均为1并设定加噪总循环次数为Ne；S1、判断是否等于Ne，若不等于Ne，则将原始信号分别加减白噪声，得到两路含噪信号和，跳至S2；否则，若等于Ne，跳至S4；S2、将S1得到的两路含噪信号和分别取模值，得到两路幅度数据和；S3、对两路幅度数据和分别进行经验模态分解，得到两路幅度数据的本征模函数分量；将所述两路幅度数据和，其中的任意一路幅度数据统称记为，对进行经验模态分解，得到幅度数据的本征模函数分量，具体包括如下子步骤：S31、设定有效数据阶数并初始化分解次数p为1；S32、找到该路幅度数据的所有上极值点和下极值点；S33、拟合出上极值点和下极值点的包络线，得到上包络线和下包络线，再求上包络线和下包络线的均值，得到上下包络线均值；S34、将幅度数据减去上下包络线均值得到中间数据； S35、判断p是否等于有效数据阶数，若不等，再判断中间数据是否为本征模函数分量，若不是本征模函数分量，则将中间数据赋值给幅度数据，并跳至S32；若是本征模函数分量，则保存此分量为第p个本征模函数分量，将幅度数据减去此第p个本征模函数分量得到的剩余部分赋值给幅度数据，将p加1，跳至S32；否则若p等于有效数据阶数，则将保存的本征模函数分量，记为，，跳至S1；S4、计算第次循环本征模函数分量的集成平均；所述为第次加噪的第次循环得到的本征模函数分量；为第次加
噪的第次循环得到的本征模函数分量；S5、 计算并得到的排列熵并判断排列熵与排列熵阈值的大小关系，若排列熵小于等于排列熵阈值，则认为集成平均正常，将此时的值保存为T，并跳至S6；否则若排列熵大于排列熵阈值，则认为集成平均 异常，=+1并跳至S4；S6、判断T是否为1，若是，则剩余信号，否则将前T
‑
1个集成平均的分量从原始信号中去除，得到剩余信号；S7、对剩余信号进行经验模态分解，得到剩余信号的本征模函数分量，再将得到的所有本征模函数分量按照高频到低频排列，得到排列后的剩余信号本征模函数分量；至此，从S0到S7，得到的排列后的剩余信号本征模函数分量，记为一个样本； S8、重复C次S0到S7，得到C个样本，再对C个样本进行划分，得到训练数据集与测试数据集；S9、遍历训练数据集与测试数据集中的样本，提取每个样本的径向积分双谱特征，得到该样本的径向积分双谱特征矩阵，分别将训练数据集中所有样本的径向积分双谱特征矩阵构建为训练集，将测试数据集中所有样本的径向积分双谱特征矩阵构建为测试集；S10、构造包括输入层、卷积层、池化层、光栅层、全连接层及输出层的卷积神经网络；S11、将S9得到的训练集输入S10构造的卷积神经网络中进行训练，得到训练好的模型；S12、将S9得到的测试集输入S11训练好的模型中，得到分类识别结果。
[0009]所述S0中加噪总循环次数Ne的取值范围为50至100。
[0010]S31中，有效数据阶数大于等于2，小于等于10且有效数据阶数大于等于分解次数；所述 为第 次加噪的 分解得到的本征模函数分量。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信号分类识别方法，其特征在于，包括如下步骤：S0、初始化加噪循环次数以及内循环次数均为1并设定加噪总循环次数为Ne；S1、判断是否等于Ne，若不等于Ne，则将原始信号分别加减白噪声，得到两路含噪信号和，跳至S2；否则，若等于Ne，跳至S4；S2、将S1得到的两路含噪信号和分别取模值，得到两路幅度数据和；S3、对两路幅度数据和分别进行经验模态分解，得到两路幅度数据的本征模函数分量；将所述两路幅度数据和，其中的任意一路幅度数据统称记为，对进行经验模态分解，得到幅度数据的本征模函数分量，具体包括如下子步骤：S31、设定有效数据阶数并初始化分解次数p为1；S32、找到该路幅度数据的所有上极值点和下极值点；S33、拟合出上极值点和下极值点的包络线，得到上包络线和下包络线，再求上包络线和下包络线的均值，得到上下包络线均值；S34、将幅度数据减去上下包络线均值得到中间数据；S35、判断p是否等于有效数据阶数，若不等，再判断中间数据是否为本征模函数分量，若不是本征模函数分量，则将中间数据赋值给幅度数据，并跳至S32；若是本征模函数分量，则保存此分量为第p个本征模函数分量，将幅度数据减去此第p个本征模函数分量得到的剩余部分赋值给幅度数据，将p加1，跳至S32；否则若p等于有效数据阶数，则将保存的本征模函数分量，记为，，跳至S1；S4、计算第次循环本征模函数分量的集成平均；所述为第次加噪的第次循环得到的本征模函数分量；为第次加噪的第 次循环得到的本征模函数分量；S5、 计算并得到的排列熵并判断排列熵与排列熵阈值的大小关系，若排列熵小于等于排列熵阈值，则认为集成平均正常，将此时的值保存为T，并跳至S6；否则若排列熵大于排列熵阈值，则认为集成平均异常，=+1并跳至S4；S6、判断T是否为1，若是，则剩余信号，否则将前T
‑
1个集成平均的分量从原始信号中去除，得到剩余信号；S7、对剩余信号进行经验模态分解，得到剩余信号的本征模函数分量，再将得到的所有本征模函数分量按照高频到低频排列，得到排列后的剩余信号本征模函数分量；至此，从S0到S7，得到的排列后的剩余信号本征模函数分量，记为一个样本；S8、重复C次S0到S7，得到C个样本，再对C个样本进行划分，得到训练数据集与测试数据集；
S9、遍历训练数据集与测试数据集中的样本，提取每个样本的径向积分双谱特征，得到该样本的径向积分双谱特征矩阵，分别将训练数据集中所有样本的径向积分双谱特征矩阵构建为训练集，将测试数据集中所有样本的径向积分双谱特征矩阵构建为测试集；S10、构造包括输入层、卷积层、池化层、光栅层、全连接层及输出层的卷积神经网络；S11、...

【专利技术属性】
技术研发人员：卢继华，李兆军，冯立辉，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：