电磁信号孪生深度学习识别方法、装置、设备及存储介质制造方法及图纸

本申请提供一种电磁信号孪生深度学习识别方法、装置、设备及存储介质，该方法包括：获取待识别电磁信号；待识别电磁信号输入预建孪生网络，得到待识别电磁信号对应的特征向量；根据特征向量与每一类别的类均值向量，确定待识别电磁信号的类别。该方案抵御对抗样本的攻击性能较好。击性能较好。击性能较好。

【技术实现步骤摘要】
电磁信号孪生深度学习识别方法、装置、设备及存储介质


[0001]本专利技术属于无线通信
，特别涉及一种电磁信号孪生深度学习识别方 法、装置、电子设备及存储介质。

技术介绍

[0002]在无线通信领域，通过对各种电磁信号进行识别，可以获取大量有用信息。 比如，在军事中，侦察系统将捕获的电磁信号进行特征提取，就能识别出电磁信 号的种类或者确定电磁辐射源的位置，这将有利于电磁威胁态势分析和指挥决策 等。但是由于不同种类的无线电设备的大量使用，电磁空间中的辐射源也就不断 变多，电磁环境变得越来越复杂(频域的覆盖范围宽、时域作用时间长、空域分 布多变、信号的特征多样等)，传统的电磁信号孪生深度学习识别方法对复杂的 信号表达能力不佳，不能有效的对不同电磁信号进行识别分类。

技术实现思路

[0003]本说明书实施例的目的是提供一种电磁信号孪生深度学习识别方法、装置、 电子设备及存储介质。
[0004]为解决上述技术问题，本申请实施例通过以下方式实现的：
[0005]第一方面，本申请提供一种电磁信号孪生深度学习识别方法，该方法包括：
[0006]获取待识别电磁信号；
[0007]待识别电磁信号输入预建孪生网络，得到待识别电磁信号对应的特征向量；
[0008]根据特征向量与每一类别的类均值向量，确定待识别电磁信号的类别。
[0009]在其中一个实施例中，预建孪生网络通过下述方式构建：
[0010]获取调制信号数据集，调制信号数据集包括若干样本及各个样本对应的类别 标签；
[0011]根据样本及样本对应的类别标签，构建正样本对和负样本对；
[0012]利用正样本对和负样本对训练孪生网络，直至孪生网络收敛，得到预建孪生 网络。
[0013]在其中一个实施例中，根据样本及样本对应的类别标签，构建正样本对和负 样本对，包括：
[0014]将调制信号数据集根据类别标签分类，得到类别标签对应数量的样本集；
[0015]从其中一个样本集中随机选取第一样本；
[0016]从其中一个样本集中随机选取第二样本，第一样本和第二样本构成正样本对， 对正样本对标记为第一判别标签；
[0017]从其余样本集中随机选取第三样本，第一样本和第三样本构成负样本对，对 负样本对标记为第二判别标签。
[0018]在其中一个实施例中，孪生网络包括第一网络和第二网络，第一网络和第二 网络
结构、参数均相同。
[0019]在其中一个实施例中，第一网络和第二网络均包括：
[0020]输入层和特征提取层；
[0021]特征提取层包括依次的第一卷积层、第二卷积层、第三卷积层、Reshape层 和长短时记忆层；第一卷积层和第二卷积层之后都包括依次批归一化层、第一激 活函数RuLe层和最大池化层，长短时记忆层后包括第二激活函数RuLe层。
[0022]在其中一个实施例中，利用正样本对和负样本对训练孪生网络，直至孪生网 络收敛，包括：
[0023]计算正样本对和负样本对经过孪生网络后的对比损失；
[0024]利用对比损失进行反向传播训练孪生网络，直至孪生网络收敛。
[0025]在其中一个实施例中，根据特征向量与每一类别的类均值向量，确定待识别 电磁信号的类别，包括：
[0026]分别计算特征向量与每一类别的类均值向量的欧式距离，将欧式距离最小的 值对应的类别作为待识别电磁信号的类别。
[0027]第二方面，本申请提供一种电磁信号孪生深度学习识别装置，该装置包括：
[0028]获取模块，用于获取待识别电磁信号；
[0029]处理模块，用于待识别电磁信号输入预建孪生网络，得到待识别电磁信号对 应的特征向量；
[0030]类别确定模块，用于根据特征向量与每一类别的类均值向量，确定待识别电 磁信号的类别。
[0031]第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器 上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的电磁 信号孪生深度学习识别方法。
[0032]第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，该程序 被处理器执行时实现如第一方面的电磁信号孪生深度学习识别方法。
[0033]由以上本说明书实施例提供的技术方案可见，该方案：采用预建孪生网络， 使得在抵御对抗样本的攻击上的效果明显优于传统的深度学习分类器。
附图说明
[0034]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中 的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在 不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本申请提供的电磁信号孪生深度学习识别方法的流程示意图；
[0036]图2(a)为本申请提供的特征提取模型，图2(b)为softmax分类模型；
[0037]图3为本申请提供的预建孪生网络的结构示意图；
[0038]图4为本申请提供的电磁信号孪生深度学习识别方法测试准确率曲线图和 一般模型的测试准确率曲线图；
[0039]图5为本申请提供的电磁信号孪生深度学习识别装置的结构示意图；
[0040]图6为本申请提供的电子设备的结构示意图。
具体实施方式
[0041]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本 说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基 于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获 得的所有其他实施例，都应当属于本说明书保护的范围。
[0042]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之 类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚， 在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对 众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申 请的描述。
[0043]在不背离本申请的范围或精神的情况下，可对本申请说明书的具体实施方式 做多种改进和变化，这对本领域技术人员而言是显而易见的。由本申请的说明书 得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅 是示例性的。
[0044]关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的 用语，即意指包含但不限于。
[0045]本申请中的“份”如无特别说明，均按质量份计。
[0046]在信息量迅速增长的时代，为了能够快速有效地传输信息，通常采用不同类 型的调制方式来充分利用信道容量。调制方式也已成为区分不同类型通信信号的 关键特征之一，信号的调制识别也被用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电磁信号孪生深度学习识别方法，其特征在于，所述方法包括：获取待识别电磁信号；所述待识别电磁信号输入预建孪生网络，得到所述待识别电磁信号对应的特征向量；根据所述特征向量与每一类别的类均值向量，确定所述待识别电磁信号的类别。2.根据权利要求1所述的方法，其特征在于，所述预建孪生网络通过下述方式构建：获取调制信号数据集，所述调制信号数据集包括若干样本及各个所述样本对应的类别标签；根据所述样本及所述样本对应的类别标签，构建正样本对和负样本对；利用所述正样本对和所述负样本对训练孪生网络，直至所述孪生网络收敛，得到所述预建孪生网络。3.根据权利要求2所述的方法，其特征在于，所述根据所述样本及所述样本对应的类别标签，构建正样本对和负样本对，包括：将所述调制信号数据集根据所述类别标签分类，得到所述类别标签对应数量的样本集；从其中一个样本集中随机选取第一样本；从所述其中一个样本集中随机选取第二样本，所述第一样本和所述第二样本构成所述正样本对，对所述正样本对标记为第一判别标签；从其余样本集中随机选取第三样本，所述第一样本和所述第三样本构成所述负样本对，对所述负样本对标记为第二判别标签。4.根据权利要求2所述的方法，其特征在于，所述孪生网络包括第一网络和第二网络，所述第一网络和所述第二网络结构、参数均相同。5.根据权利要求4所述的方法，其特征在于，所述第一网络和所述第二网络均包括：输入层和特征提取层；所述特征提取层包括依次的第一卷积层、第二卷积层、第三卷积层、Reshape层和长短时记忆层；...

【专利技术属性】
技术研发人员：齐佩汉，周小雨，张卫琳，李赞，姜涛，安智慧，位萱，沈清，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：