一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质技术方案

本发明专利技术公开了一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质，属于闭集识别领域，该方法包括：提取原始信号的多类特征，根据特征的维度高低判断是否分析特征各维度的重要性，对高维特征评价各维度的重要性，并选择出高维特征中重要的维度；将重要高维特征或低维特征送入特征学习网络中，识别出信号的类别，计算在不同信号类别下信号特征的召回率，构建召回率矩阵；将全体测试集分成两部分，利用一部分测试信号修正召回率矩阵，通过多特征决策算法识别出另一部分测试信号所属的类别。着重解决不同的信号在不同特征上有不同区分性，仅通过单一特征无法完成高质量的信号多分类任务这一问题，进一步提高信号识别的能力和准确性。的能力和准确性。的能力和准确性。

【技术实现步骤摘要】
一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质


[0001]本专利技术属于闭集识别领域，具体涉及一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质。

技术介绍

[0002]信号特征种类繁多，在处理信号多分类的问题时，某些信号类别可能在一种信号特征上的区分性好而在另一种特征上区分性不佳，而另一些类别呈现出与之相反的态势，这使得基于传统的人工智能分类方式，即全体数据集均基于同种或多种类型特征进行学习并分类的方式，效果可能不尽如人意。因此，针对具有这种特征的多类别信号，针对性的设计一种基于信号多类特征学习的信号识别方法或识别系统具有重要的意义。
[0003]公开号为CN110674725B的专利申请文献提出了一种基于检测信号的多维特征向量组合的设备信号类型识别方法，但该文献仅探讨了多个低维特征中选择最优特征，该文献采用的对特征统计值进行特征向量的组合并未解决在多个高维特征中选择合适特征向量的任务。
[0004]公开号为CN109446877B的专利申请文献提出直接拼接信号的多维特征再送入深度神经网络中学习，该方法能在九种雷达信号组成的雷达信号集上取得了较好的结果，但该方法并未针对性提取不同类别信号的最佳特征，在某些场景下，多分类识别效果可能不佳。

技术实现思路

[0005]本专利技术针对现有技术中的不足，提供一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质，通过挖掘先验类别与特征的关系，着重解决某些类别的信号可能在某些特征上有较好的区分性，而另一些类别的信号可能在另一些特征上有较好的区分性，仅通过单一特征无法完成高质量的信号多分类任务这一技术问题，进一步提高信号识别的能力。
[0006]为实现上述目的，本专利技术采用以下技术方案：
[0007]一种基于多类特征学习的信号识别方法，包括以下步骤：
[0008]步骤1：提取原始信号的多类特征，根据特征的维度高低判断是否分析特征各维度的重要性，对高维特征评价各维度的重要性，并选择出高维特征中重要的维度；低维特征不作特征选择；
[0009]步骤2：设计特征学习网络，将重要高维特征或低维特征送入特征学习网络中，识别出不同信号样本的类别，得到每一种信号特征下的多分类识别结果，计算在不同信号类别下信号特征的召回率，构建召回率矩阵；
[0010]步骤3：将全体测试集分成两部分，利用一部分测试信号样本修正召回率矩阵，通过多特征决策算法识别出另一部分测试信号样本所属的类别。
[0011]为优化上述技术方案，采取的具体措施还包括：
[0012]进一步地，步骤1中，所述对高维特征评价各维度的重要性，并选择出高维特征中重要的维度具体为：
[0013]步骤1.1：采用bootstrap算法构建I棵决策树；
[0014]步骤1.2：计算第i棵决策树分裂节点k的基尼不纯度
[0015][0016]式中，C为信号的类别数，为分裂节点k属于第c类信号的概率；
[0017]步骤1.3：计算特征维度X
j
在第i棵决策树分裂节点k的特征重要性
[0018][0019]式中，表示分枝后新节点l的基尼不纯度，表示分枝后新节点r的基尼不纯度；
[0020]步骤1.4：计算特征维度X
j
在整个森林中的重要性VIM
j
；
[0021][0022]式中，K为决策树中节点的总数；
[0023]步骤1.5：将所有特征维度的重要性进行归一化处理；
[0024][0025]式中，VIM
j
'为归一化后的特征维度X
j
在整个森林中的重要性，J为特征维度的总数；
[0026]步骤1.6：筛选出特征重要性维度高于阈值的维度，并将这些维度按照提取该特征维度的索引次序顺序排列，得到该高维特征的重要特征维度，所述阈值的选取方式为所有特征维度重要性打分的平均值。
[0027]进一步地，步骤2中，所述特征学习网络包含了带权重的卷积层和全连接层；从一维数据输入端到多分类结果输出端依次通过1*7的卷积层、批量归一化层、ReLU层、1*3的最大池化层、Res_2层、Res_1层、自适应平均池化层、全连接层和线性层；所述Res_2层包括1*3的卷积层、1*1的卷积层、ReLU层和批量归一化层；所述Res_1层包括1*3的卷积层、ReLU层和批量归一化层。
[0028]进一步地，步骤2中，所述计算在不同信号类别下信号特征的召回率，构建召回率矩阵具体为：
[0029]不同信号类别下信号特征的召回率R(m,n)的计算公式如下：
[0030][0031]式中，TP
mn
表示在第m类特征下，真实信号类别为第n类且预测类也为第n类的样本，FN
mn
表示在第m类特征下，真实信号类别为第n类但被预测为其他类的样本；
[0032]以特征类别m为横坐标，以信号类别n为纵坐标得到原始召回率矩阵。
[0033]进一步地，步骤3具体为：
[0034]步骤3.1：将全体测试集分成两部分，利用一部分测试信号样本建立修正后的召回率矩阵；
[0035]设计若干个备选阈值T
hre
，得到不同阈值T
hre
下的多个召回率矩阵R
+
(m,n)：
[0036][0037]找寻使召回率最大化的阈值
[0038][0039]修正后的召回率矩阵R
*
(m,n)为：
[0040][0041]步骤3.2：从另一部分测试数据中选择一个测试信号样本作为输入，输出多特征决策结果，识别出测试信号属于的信号类别；
[0042]具体为：从另一部分测试数据中输入一个测试信号样本，若该信号样本的大部分特征均判定该信号样本属于某同种类别信号，则认为该样本属于该信号类别；反之，则需查询修正后的召回率矩阵，并认为该信号样本属于召回率最大值对应的类别；
[0043]测试信号样本类别集合C＝{1,2,...,c}，测试信号样本被识别后判定的种类数集合为M0，根据信号特征判定的信号类别c1,c2,...,c
z
∈C，多特征决策结果C
+
用公式表示如下：
[0044][0045]式中，z为特征的类别总数。
[0046]本专利技术还提出了一种基于多类特征学习的信号识别系统，所述系统包括特征选择模块、特征学习模块和特征决策模块；
[0047]所述特征选择模块用于提取原始信号的多类特征，根据特征的维度高低判断是否分析特征各维度的重要性，对高维特征评价各维度的重要性，并选择出高维特征中重要的维度；
[0048]所述特征学习模块用于设计特征学习网络，将重要高维特征或低维特征送入特征学习网络中，识别出不同信号样本的类别，得到每一种信号特征下的多分类识别结果，计算在不同信号类别下信号特征的召回率，构建召回率矩阵；
[0049]所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多类特征学习的信号识别方法，其特征在于，包括以下步骤：步骤1：提取原始信号的多类特征，根据特征的维度高低判断是否分析特征各维度的重要性，对高维特征评价各维度的重要性，并选择出高维特征中重要的维度；低维特征不作特征选择；步骤2：设计特征学习网络，将重要高维特征或低维特征送入特征学习网络中，识别出不同信号样本的类别，得到每一种信号特征下的多分类识别结果，计算在不同信号类别下信号特征的召回率，构建召回率矩阵；步骤3：将全体测试集分成两部分，利用一部分测试信号样本修正召回率矩阵，通过多特征决策算法识别出另一部分测试信号样本所属的类别。2.根据权利要求1所述的基于多类特征学习的信号识别方法，其特征在于，步骤1中，所述对高维特征评价各维度的重要性，并选择出高维特征中重要的维度具体为：步骤1.1：采用bootstrap算法构建I棵决策树；步骤1.2：计算第i棵决策树分裂节点k的基尼不纯度步骤1.2：计算第i棵决策树分裂节点k的基尼不纯度式中，C为信号的类别数，为分裂节点k属于第c类信号的概率；步骤1.3：计算特征维度X
j
在第i棵决策树分裂节点k的特征重要性在第i棵决策树分裂节点k的特征重要性式中，表示分枝后新节点l的基尼不纯度，表示分枝后新节点r的基尼不纯度；步骤1.4：计算特征维度X
j
在整个森林中的重要性VIM
j
；式中，K为决策树中节点的总数；步骤1.5：将所有特征维度的重要性进行归一化处理；式中，VIM
j
'为归一化后的特征维度X
j
在整个森林中的重要性，J为特征维度的总数；步骤1.6：筛选出特征重要性维度高于阈值的维度，并将这些维度按照提取该特征维度的索引次序顺序排列，得到该高维特征的重要特征维度，所述阈值的选取方式为所有特征维度重要性打分的平均值。3.根据权利要求1所述的基于多类特征学习的信号识别方法，其特征在于，步骤2中，所述特征学习网络包含了带权重的卷积层和全连接层；从一维数据输入端到多分类结果输出端依次通过1*7的卷积层、批量归一化层、ReLU层、1*3的最大池化层、Res_2层、Res_1层、自适应平均池化层、全连接层和线性层；所述Res_2层包括1*3的卷积层、1*1的卷积层、ReLU层和批量归一化层；所述Res_1层包括1*3的卷积层、ReLU层和批量归一化层。4.根据权利要求1所述的基于多类特征学习的信号识别方法，其特征在于，步骤2中，所
述计算在不同信号类别下信号特征的召回率，构建召回率矩阵具体为：不同信号类别下信号特征的召回率R(m,n)的计算公式如下：式中，TP

【专利技术属性】
技术研发人员：许曈，
申请(专利权)人：江苏开放大学江苏城市职业学院，
类型：发明
国别省市：