一种弱监督下多示例多标签学习的混叠调制信号识别方法技术

本发明专利技术公开了一种弱监督下多示例多标签学习的混叠调制信号识别方法，首先通过时频转换技术将输入的信号样本转换为时频图像，构成不同混叠方式的图像数据集；然后借鉴生成对抗网络的思想，将训练数据送入生成器神经网络，通过与判别器进行对抗训练估计数据的样本分布，并交替更新生成器和判别器网络参数；判别器在多示例多标签方法的牵引下，借助多标签阈值判别单元对待分类样本进行包级别到示例级别的分类；本发明专利技术方法即使没有大量的有标签信号样本，仅利用单一调制类型的信号样本，也能够实现在低信噪比条件下，实现对雷达混叠脉内信号的精确分类，具有较高的可靠性和准确性。具有较高的可靠性和准确性。具有较高的可靠性和准确性。

【技术实现步骤摘要】
一种弱监督下多示例多标签学习的混叠调制信号识别方法


[0001]本专利技术属于雷达电子侦察和人工智能交叉的
，具体涉及一种弱监督下多示例多标签学习的混叠调制信号识别方法。

技术介绍

[0002]高效率和高精度的雷达信号识别技术是电子战系统的重要任务，作为电子侦察的第一步骤，对雷达信号的准确识别为后续的参数估计和干扰决策制定提供依据。目前信号识别处理流程方法通常包括两部分：信号特征提取和分类器识别。传统的信号特征一般使用统计量特征，虽然这些特征在识别单一调制信号时表现良好，但它们很难适应混叠信号，因为在混叠信号条件下，统计量特征失去其原有意义，且相同的混叠信号类型下，不同参数所导致的混叠信号特征也各不相同。另一种是基于深度学习的方法，利用大量的数据通过神经网络学习样本特征，然而在实际环境中很难获得足够数量的有标签数据。对于分类器的设计，当前常用的是支持向量机(SVM)，BP神经网络，但是它们无法对具备多语义信息的混叠雷达信号做出准确分类。

技术实现思路

[0003]有鉴于此，本专利技术提供了一种弱监督条件下的多示例多标签学习的混叠调制信号识别方法，能够解决在没有大量的有标签信号样本的条件下，仅使用单一调制类型的雷达脉内信号，实现对低信噪比混叠调制类型信号的精确分类。
[0004]一种弱监督条件下的多示例多标签学习的混叠调制信号识别方法，包括以下步骤：
[0005]步骤一、设置训练模型，其包括前后连接的生成器和判别器；
[0006]1)生成器包括反卷积层，每一层后均连接批归一化层且以ReLU函数作为激活函数，最后一层反卷积层连接批归一化层后以Tanh作为激活函数；
[0007]2)判别器的结构为：前N层为卷积核大小为n
conv
的卷积层，每一层后连接批归一化层和Leaky ReLU函数作为激活函数，设置最后一层卷积核数目为N
instance
，N
instance
表示样本内的示例数目；接着判别器网络分成两个支路，设置第一个支路连接压平层和全连接层，第二个支路连接重塑层和输出大小为N
instance
×
K的全连接层，K表示样品类别数，通过按行池化的最大池化层，再通过Sigmoid激活函数得到该支路的输出，与第一个支路合并成输出为K+1的神经网络输出；
[0008]设置训练模型的训练次数，表示为E，初始化生成器和判别器网络参数；
[0009]步骤二、对于接收到的每一个单一调制类型的雷达脉内信号样本，通过SPWVD时频变换，在各信噪比下得到类别数为K的时频图像训练数据集，同时得到类别数为N
overlapping
的测试数据集，其中表示排列组合公式中K个类别中选取q个类别的数目；
[0010]设多示例多标签学习样本表示为其中J表示为有标签数据集的样本数，其中每个样本S
j
可表示为其中h为一个信号数据样本的示例数，每个样本S
j
的标签可表示为其中l为标签数；为无标签数据集，其样本数为N；
[0011]步骤三、将高斯白噪声作为生成器的输入，得到虚假信号样本G，连同步骤二中得到的某一信噪比下有标签数据集和无标签数据集，一并送入判别器网络，通过梯度上升更新判别器网络的参数，以最大化其目标函数V(G,D)作为损失函数，以不断更新判别器的网络参数，训练完成后进入步骤四；
[0012]其中，目标函数V(G,D)第一项是多示例多标签的有监督损失，后两项表示对真假样本的无监督损失，如下：
[0013]步骤四、在步骤三对判别器每一个训练轮次内，根据判别器对样本的判别结果，结合生成器的优化目标更新生成器的网络参数；
[0014]重复步骤三和四至训练次数达到E后，得到优化后的训练模型，进入步骤五；
[0015]步骤五、将输入的混叠信号样本分为验证样本和测试样本；
[0016]将测试样本中混叠调制类型的脉内信号样本输入到步骤三训练完成的判别器，得到第j个混叠信号样本属于各个信号类别的概率预测值，构成预测向量t
j
；如果属于某一信号类别标签k的预测概率值大于设定的信号类别阈值σ
k
，则该样本判别为存在对应的信号类别；
[0017]步骤六、在各信噪比下，重复步骤二至步骤五，训练得到不同信噪比下的训练模型；根据待识别信号的信噪比，输入到对应的训练模型中，根据步骤五确定的各信号类别标签阈值，将待识别混叠脉内信号打上类别标签。
[0018]较佳的，所述损失函数表示如下：
[0019][0020]其中，E表示对该值的最大似然估计；损失函数中第一项L
MIML
表示由监督损失函数，后两项L
fake
和L
real
表示无监督损失函数；p
d
(x,y)表示有标签真实样本分布，(x,y)～p
d
(x,y)表示有标签样本服从该分布；θ为判别器的网络参数，CE(y,P
θ
(
·
|x))表示有标签样本条件下的交叉熵损失函数，p
g
(x)表示生成样本分布，x～p
g
(x)表示虚假样本服从该分布，logP
θ
(y＝K+1|x)表示判别器判别该样本为假样本的概率，p
d
(x)表示真实样本分布，x～p
d
(x)表示无标签的真实样本服从该分布，log[1
‑
P
θ
(y＝K+1|x)表示判别器判别该样本为真实样本的概率。
[0021]较佳的，对修改多示例多标签弱监督损失，计算该损失的修正项方法如下:
[0022][0023]其中λ1，λ2和λ3为损失函数的非负超参数，λ1表示无监督和有监督损失之间的比
重，λ2表示在预测结果上的稀疏因子，λ3为对应模型复杂度的正则项。为第j个类别数据下的第i个示例的标签；表示判别器在示例下的第i个输出，表示判别器对示例预测的L1范数，表示网络参数θ的L1范数。
[0024]较佳的，信号类别阈值σ
k
的计算根据验证样本输入到训练完成的判别器中，设计多个离散的阈值，并通过计算标签的最大F
‑
measure得到：
[0025]较佳的，步骤四中所述的更新生成器的网络参数的优化目标如下：
[0026][0027]其中f
θ
(x)表示判别器中间层对真实样本的输出结果，f
θ
(G(x))表示判别器对虚假样本的输出结果，通过梯度下降对生成器网络的训练过程即是最小化优化目标函数V(G)，以不断更新生成器的网络参数，其中第一项表示生成虚假样本的目标函数，第二项为减小训练不稳定性的特征匹配目标函数。
[0028]较佳的，步骤一中所述的K个调制类型包括线性调频、巴克码、Frank码和Costas码这四种调制类型。
[0029]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种弱监督下多示例多标签学习的混叠调制信号识别方法，其特征在于，包括以下步骤：步骤一、设置训练模型，其包括前后连接的生成器和判别器；1)生成器包括反卷积层，每一层后均连接批归一化层且以ReLU函数作为激活函数，最后一层反卷积层连接批归一化层后以Tanh作为激活函数；2)判别器的结构为：前N层为卷积核大小为n
conv
的卷积层，每一层后连接批归一化层和Leaky ReLU函数作为激活函数，设置最后一层卷积核数目为N
instance
，N
instance
表示样本内的示例数目；接着判别器网络分成两个支路，设置第一个支路连接压平层和全连接层，第二个支路连接重塑层和输出大小为N
instance
×
K的全连接层，K表示样品类别数，通过按行池化的最大池化层，再通过Sigmoid激活函数得到该支路的输出，与第一个支路合并成输出为K+1的神经网络输出；设置训练模型的训练次数，表示为E，初始化生成器和判别器网络参数；步骤二、对于接收到的每一个单一调制类型的雷达脉内信号样本，通过SPWVD时频变换，在各信噪比下得到类别数为K的时频图像训练数据集，同时得到类别数为N
overlapping
的测试数据集，其中表示排列组合公式中K个类别中选取q个类别的数目；设多示例多标签学习样本表示为其中J表示为有标签数据集的样本数，其中每个样本S
j
可表示为其中h为一个信号数据样本的示例数，每个样本S
j
的标签可表示为其中l为标签数；为无标签数据集，其样本数为N；步骤三、将高斯白噪声作为生成器的输入，得到虚假信号样本G，连同步骤二中得到的某一信噪比下有标签数据集和无标签数据集，一并送入判别器网络，通过梯度上升更新判别器网络的参数，以最大化其目标函数V(G,D)作为损失函数，以不断更新判别器的网络参数，训练完成后进入步骤四；其中，目标函数V(G,D)第一项是多示例多标签的有监督损失，后两项表示对真假样本的无监督损失，如下：步骤四、在步骤三对判别器每一个训练轮次内，根据判别器对样本的判别结果，结合生成器的优化目标更新生成器的网络参数；重复步骤三和四至训练次数达到E后，得到优化后的训练模型，进入步骤五；步骤五、将输入的混叠信号样本分为验证样本和测试样本；将测试样本中混叠调制类型的脉内信号样本输入到步骤三训练完成的判别器，得到第j个混叠信号样本属于各个信号类别的概率预测值，构成预测向量t
j
；如果属于某一信号类别标签k的预测概率值大于设定的信号类别阈值σ
k
，则该样本判别为存在对应的信号类别；步骤六、在各信噪比下，重复步骤二至步骤五，训练得到不同信噪比下的训练模型；根据待识别信号的信噪比，输入到对应的训练模型中，根据步骤五确定的各信号类别标签阈值，将待识别混叠脉内信号打上类别标签。2.根据权利要求1所述的一种弱监督下多示...

【专利技术属性】
技术研发人员：潘泽斯，李岩，汪波，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：