【技术实现步骤摘要】
Swin
‑ꢀ
Transformer模块通过对输入特征图划分为多个窗口,在每个窗口内进行计算达到减小计算量的目的,Shift Window Swin
‑
Transformer 模块对Window Swin
‑
Transformer模块输出的特征图进行滑动窗口操作,增加窗口间的信息交互,实现对全局特征的建模。
[0014]进一步地,所述步骤S3具体包括:
[0015]步骤3.1:初始化Swin
‑
Transformer神经网络模型参数;
[0016]步骤3.2:通过Swin
‑
Transformer模块学习单个时频图样本的特征;
[0017]步骤3.3:通过Softmax分类器对学习到的特征进行分类;
[0018]步骤3.4:根据分类器输出结果与样本真实标签之间的差值计算交叉熵,通过更新最小化交叉熵获得梯度,反向传播梯度更新模型参数;
[0019]步骤3.5:对每一次迭代的所有输入样本执行步骤3.2至3.4,直到达到设定的迭代次数;
[0020]优选地,所述的步骤3.2具体包括:
[0021]两种Swin
‑
Transformer模块对输入的时频图样本进行特征学习, Swin
‑
Transformer模块的具体计算如下:
[0022]假定输入序列长度为L,batch size大小为B,则Transformer Encoder的输入张量可以表示为M首先经过Input ...
【技术保护点】
【技术特征摘要】
1.一种基于Swin
‑
Transformer的短波协议信号自动识别方法,其特征在于,所述方法包括:步骤S1:对待识别短波信号进行预处理,构建信号时频图数据集;步骤S2:设计基于Swin
‑
Transformer的短波协议信号自动识别神经网络模型;步骤S3:使用预处理后的时频图数据集对神经网络模型进行训练至收敛;步骤S4:将待识别短波协议信号的时频图输入至训练后的神经网络模型中得到识别结果。2.根据权利要求1所述的基于Swin
‑
Transformer的短波协议信号自动识别方法,其特征在于,所述步骤S1具体包括:首先,对待识别信号的九种信号样本添加高斯白噪声,其中信噪比SNR范围为
‑
10~10dB,其次,对仿真信号随机截取0.5s~5s随机长度的子序列,最后对截取信号做短时傅里叶变换得到其灰度时频图,每种信号产生500个时频图样本来组成训练集。3.根据权利要求1所述的基于Swin
‑
Transformer的短波协议信号自动识别方法,其特征在于,所述步骤S2具体包括:所设计的基于Swin
‑
Transformer的神经网络模型主要分为四个阶段,每个阶段分别由2、2、6、2个Swin
‑
Transformer模块组成,其中Swin
‑
Transformer模块分为两种,为Window Swin
‑
Transformer模块以及Shift Window Swin
‑
Transformer模块,Window Swin
‑
Transformer模块通过对输入特征图划分为多个窗口,在每个窗口内进行计算达到减小计算量的目的,Shift Window Swin
‑
Transformer模块对Window Swin
‑
Transformer模块输出的特征图进行滑动窗口操作,增加窗口间的信息交互,实现对全局特征的建模。4.根据权利要求1所述的基于Swin
‑
Transformer的短波协议信号自动识别方法,其特征在于,所述步骤S3具体包括:步骤3.1:初始化Swin
‑
Transformer神经网络模型参数;步骤3.2:通过Swin
‑
Transformer模块学习单个时频图样本的特征;步骤3.3:通过Softmax分类器对学习到的特征进行分类;步骤3.4:根据分类器输出结果与样本真实标签之间的差值计算交叉熵,通过更新最小化交叉熵获得梯度,反向传播梯度更新模型参数;步骤3.5:对每一次迭代的所有输入样本执行步骤3.2至3.4,直到达到设定的迭代次数。5.根据权利要求4所述的基于Swin
‑
Transformer的短波协议信号自动识别的方法,其特征在于,所述的步骤3.2具体包括:两种Swin
‑
Transformer模块对输入的时频图样本进行特征学习,Swin
‑
Transformer模块的具体计算如下:假定输入序列长度为L,batch size大小为B,则Transformer Encoder的输入张量可以表示为M首先经过...
【专利技术属性】
技术研发人员:朱政宇,陈鹏飞,赵航冉,林宇,王家政,梁静,巩克现,王忠勇,王梓晅,
申请(专利权)人:郑州大学,
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。