一种融合多维度多尺度特征的电磁信号分选识别方法技术

本发明专利技术涉及一种融合多维度多尺度特征的电磁信号分选识别方法，属于电磁信号处理领域。本发明专利技术将电磁信号转换为星座图，再将星座图转换为灰度图；采用时频变换方式将IQ数据转换为二维时频图；采用基于局部均值的图像缩小方法，将星座图和时频图调整为统一大小；将得到的时频图与星座图，进行重叠排布，得到同时具有星座图特征和不同时频特征的三维特征图，并作为卷积神经网络的输入。本发明专利技术改善信号分选识别方法准确率不高，且受信道噪声影响大，人工分选方法操作程序多且严重依赖专业人员经验积累、自动化程度低和通用性扩展性不足的问题。问题。问题。

【技术实现步骤摘要】
一种融合多维度多尺度特征的电磁信号分选识别方法


[0001]本专利技术属于电磁信号处理领域，具体涉及一种融合多维度多尺度特征的电磁信号分选识别方法。

技术介绍

[0002]随着现代通信技术和物联网技术的快速发展，使用电磁频谱的设备与调制模式逐渐增多，使得电磁环境日益复杂，为电磁信号分选识别技术的发展带来诸多挑战。
[0003]电磁信号分选识别是确保接收端后续解调处理的关键技术，在军事和民用领域均发挥着重要作用。在民用领域主要应用于电磁频谱监测与管理、无线信号监控和电磁干扰识别等场景；在军事领域主要应用于电子侦察、电子对抗、电子情报以及电磁空间安全等场景，因此，有效分选识别电磁信号的方法具有重要意义。
[0004]现有的电磁信号分选识别方法主要有基于极大似然理论的分选识别算法、基于特征提取的分选识别算法和基于深度学习的分选识别算法等三大类。
[0005](1)基于极大似然理论的分选识别算法通过将接收信号与理论推导的似然比与阈值作比较进行判决，该类方法在理论上可以得到最优解，但是计算复杂度较高，需要大量的先验知识做支撑，在工程应用中对非合作信号的分选识别具有局限性。
[0006](2)基于特征提取的分选识别算法通过人工提取信号特征并设计分类器进行分选识别的方法，不需要大量的先验知识，减少了计算量，但该方法对环境信噪比要求高，人工提取的特征泛化能力和稳健性较弱，面对不断涌现的复杂模式信号，难以达到较好的适应能力和分选识别准确度。
[0007](3)基于深度学习的分选识别算法通过利用电磁大数据对深度网络模型进行训练，自动提取深层次信号特征，克服传统人工提取信号特征分选的局限性，例如，利用常规卷积神经网络、利用改进的胶囊网络、利用卷积神经网络和Choi
‑
Williams分布时频图、改进的AlexNet网络和星座图，都可以实现通信信号的分选识别，但仍存在准确率不高、通用性扩展性不足的技术问题。
[0008]本专利技术提出一种融合多维度多尺度特征的电磁信号分选识别方法，首先将电磁信号的IQ数据转换为二维星座图和时频图；接着对二维图像进行尺寸统一和归一化处理，然后将优化好的二维图像进行通道融合，对融合后的图像进行处理，得到电磁信号二维图像数据集，利用数据集对多尺度融合卷积神经网络模型进行训练，最后得到训练好的网络模型，利用训练好的模型对未知信号进行分选识别。
[0009]本专利技术可以改善现有传统信号分选识别方法准确率不高，且受信道噪声影响大，人工分选方法操作程序多且严重依赖专业人员经验积累、自动化程度低和通用性扩展性不足的技术问题。

技术实现思路

[0010](一)要解决的技术问题
[0011]本专利技术要解决的技术问题是如何提供一种融合多维度多尺度特征的电磁信号分选识别方法，以解决现有传统信号分选识别方法准确率不高，且受信道噪声影响大，人工分选方法操作程序多且严重依赖专业人员经验积累、自动化程度低和通用性扩展性不足的技术问题。
[0012](二)技术方案
[0013]为了解决上述技术问题，本专利技术提出一种融合多维度多尺度特征的电磁信号分选识别方法，该方法包括如下步骤：
[0014]S1、电磁信号转换为二维星座图步骤：将电磁信号转换为星座图，再将星座图转换为灰度图；
[0015]S2、电磁信号转换为二维时频图步骤：采用时频变换方式将IQ数据转换为二维时频图；
[0016]S3、图像优化步骤：采用基于局部均值的图像缩小方法，将星座图和时频图调整为统一大小；
[0017]S4、多维图像融合步骤：将上述步骤得到的时频图与星座图，进行重叠排布，得到同时具有星座图特征和不同时频特征的三维特征图，并作为卷积神经网络的输入；
[0018]S5、多尺度融合卷积神经网络模型建立步骤：多尺度融合卷积神经网络的结构包括：双分支串联结构、多尺度并行分支结构、多分支残差结构和分组卷积残差结构，提取电磁信号的特征并进行融合，得到最终的分选预测结果。
[0019](三)有益效果
[0020]本专利技术提出一种融合多维度多尺度特征的电磁信号分选识别方法，本专利技术提出一种融合多维度多尺度特征的电磁信号分选识别方法，首先将电磁信号的IQ数据转换为二维星座图和时频图；接着对二维图像进行尺寸统一和归一化处理，然后将优化好的二维图像进行通道融合，对融合后的图像进行处理，得到电磁信号二维图像数据集，利用数据集对多尺度融合卷积神经网络模型进行训练，最后得到训练好的网络模型，利用训练好的模型对未知信号进行分选识别。
[0021]本专利技术可以改善现有传统信号分选识别方法准确率不高，且受信道噪声影响大，人工分选方法操作程序多且严重依赖专业人员经验积累、自动化程度低和通用性扩展性不足的技术问题。
附图说明
[0022]图1为本专利技术方法流程示意图；
[0023]图2为本专利技术的神经网络结构示意图；
[0024]图3为本专利技术的神经网络模块A结构示意图；
[0025]图4为本专利技术的神经网络模块B1结构示意图；
[0026]图5为本专利技术的神经网络模块B2结构示意图；
[0027]图6为本专利技术的神经网络模块B3结构示意图；
[0028]图7为本专利技术的神经网络模块C1结构示意图；
[0029]图8为本专利技术的神经网络模块C2结构示意图；
[0030]图9为本专利技术的神经网络模块C3结构示意图；
[0031]图10为本专利技术的神经网络模块D1结构示意图；
[0032]图11为本专利技术的神经网络模块D2结构示意图；
[0033]图12为本专利技术的神经网络模块D3结构示意图。
具体实施方式
[0034]为使本专利技术的目的、内容和优点更加清楚，下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。
[0035]本专利技术提出一种融合多维度多尺度特征的电磁信号分选识别方法。包括以下步骤：
[0036](1)电磁信号转换为二维星座步骤，将电磁信号转换为星座图，再将星座图转换为灰度图。
[0037](2)电磁信号转换为二维时频图步骤，采用时频变换方式将IQ数据转换为二维时频图。
[0038](3)图像优化步骤，采用基于局部均值的图像缩小方法，将星座图和时频图调整为统一大小。
[0039](4)多维图像融合步骤，将上述步骤得到的时频图与星座图，进行重叠排布，得到同时具有星座图特征和不同时频特征的三维特征图，并作为卷积神经网络的输入。
[0040](5)多尺度融合卷积神经网络模型建立步骤，多尺度融合卷积神经网络主要结构为双分支串联结构、多尺度并行分支结构、多分支残差结构、分组卷积残差结构，提取电磁信号的特征并进行融合。
[0041]本专利技术将电磁信号转换为星座图和时频图等多个维度的二维图像并进行融合，利用训练好的卷积神经网络自动提取信号多尺度特征并进行融合，以改善现有传统信号分选识别方法准确率不高，且受信道噪声影响大，人工分选方法操本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多维度多尺度特征的电磁信号分选识别方法，其特征在于，该方法包括如下步骤：S1、电磁信号转换为二维星座图步骤：将电磁信号转换为星座图，再将星座图转换为灰度图；S2、电磁信号转换为二维时频图步骤：采用时频变换方式将IQ数据转换为二维时频图；S3、图像优化步骤：采用基于局部均值的图像缩小方法，将星座图和时频图调整为统一大小；S4、多维图像融合步骤：将上述步骤得到的时频图与星座图，进行重叠排布，得到同时具有星座图特征和不同时频特征的三维特征图，并作为卷积神经网络的输入；S5、多尺度融合卷积神经网络模型建立步骤：多尺度融合卷积神经网络的结构包括：双分支串联结构、多尺度并行分支结构、多分支残差结构和分组卷积残差结构，提取电磁信号的特征并进行融合，得到最终的分选预测结果。2.如权利要求1所述的融合多维度多尺度特征的电磁信号分选识别方法，其特征在于，所述步骤S1中，将电磁信号同相分量(In
‑
Phase，I)和正交分量(Quadrature，Q)映射到二维平面上，得到电磁信号的星座图；再根据星座图散点的密度生成新的星座图，实现星座图特征增强，对特征增强的星座图进行灰度转换，得到特征增强星座图的灰度图。3.如权利要求1所述的融合多维度多尺度特征的电磁信号分选识别方法，其特征在于，所述步骤S2中，时频变换方式为改进的多重同步压缩变换(Improved Multi
‑
synchro
‑
squeezing Transform，IMSST)方式和平滑伪Wigner
‑
Vi lle分布(Smoothed PseudoWigner
‑
Vi l le Distribution，SPWVD)变换方式。4.如权利要求1所述的融合多维度多尺度特征的电磁信号分选识别方法，其特征在于，所述步骤S3具体包括：按照一定的采样间隔分别将星座图和时频图划分为矩阵块，然后计算各矩阵块内元素的均值，作为调整后图像对应的像素，并对像素值做归一化处理，实现星座图和时频图大小统一。5.如权利要求4所述的融合多维度多尺度特征的电磁信号分选识别方法，其特征在于，统一大小为227
×
227像素。6.如权利要求1
‑
5任一项所述的融合多维度多尺度特征的电磁信号分选识别方法，其特征在于，所述步骤S5中，双分支并行结构包括1个模块A，用于提取特征图的浅层特征，并添加非线性激励，提高模型的训练速度和泛化能力；多尺度并行分支结构包括3个模块B1、B2、B3，使用大小不同的卷积核进行卷积运算，提取图像不同尺度的特征信息，或使用最大池化操作提取图像的边缘信息和纹理信息，并实现多个尺度特征的信息融合；多分支残差结构包括3个模块C1、C2、C3，各模块进行残差卷积、批量归一化操作，进行非线性激励，提高模型的训练速度和泛化能力；分组卷积残差结构包括3个模块D1、D2、D3，各模块进行分组残差重组，以及分选识别。7.如权利要求6所述的融合多维度多尺度特征的电磁信号分选识别方法，其特征在于，所述双分支并行结构包括1个模块A；神经网络输入特征图的维度为227
×
227
×
3，输入特征图经3个3
×
3的卷积层将尺寸为111
×
111
×
64特征图输出到模块A；模块A双分支并行结构
各分支由不同类型的卷积组成，上层特征图输入到3
×
3最大池化层与3
×
3卷积层组成的双分支并行结构，经通道拼接后输出到1
×
1卷积层、3
×
3卷积层与1
×
1卷积层、1
×
7卷积层、7
×
1卷积层、3
×
3卷积层组成的双分支并行结构，经通道拼接后输出到3
×
3最大池化层和3
×
3卷积层组成的双分支并行结构，再次经通道拼接后，将尺寸为26
×
26
×
384特征图输出到模块B1。8.如权利要求7所述的融合多维度多尺度特征的电磁信号分选识别方法，其特征在于，所述多尺度并行分支结构包括3个模块B1、B2、B3；模块B1有4条分支，分支一为1
×
1卷积，分支二为1
×
1卷积与5
×
5卷积串联，分支三为1
×
1卷积串联两个3
×
3卷积，分支四为3
...

【专利技术属性】
技术研发人员：乔娅婷，李鹏程，戈建伟，陈慧龙，
申请(专利权)人：北京航天爱威电子技术有限公司，
类型：发明
国别省市：