基于混合熵深度学习网络的无人机射频信号检测识别方法技术

本发明专利技术公开了一种基于混合熵深度学习网络的无人机射频信号检测识别方法；其中所述的深度学习网络可以实现较高的识别准确率下减少网络大小以减少对物理硬件计算资源的要求。混合熵深度学习网络包括概率层和骨干网络，骨架网络为深度学习网络，骨架网络的输入数据为概率层的输出数据；概率层由一个与输入特征长度相同的权重向量与一个sigmoid激活层实现，前向传播过程为权重向量经过激活函数后与输入特征进行哈达玛积；本发明专利技术通过概率层选择有用的射频信号频率信息，减少连接权重并拟合分类结果，从而实现了高准确率、低代价的无人机射频信号检测和识别。

【技术实现步骤摘要】

本专利技术涉及信号识别，尤其涉及一种基于混合熵深度学习网络的无人机射频信号检测识别方法。

技术介绍

1、传统的无人机射频信号识别包括统计建模和深度学习方法，统计建模主要通过某种合适的变换和映射，人工选取一些特征信息，再通过人knn或svm等机器学习方法来判断射频信号的种类；深度学习方法则不依赖于人工特征选取，精度也相较于统计建模更高，但其是实现代价要远高于前者，通常要求实现硬件平台存在专门gpu来保证计算能力。

2、已有的统计建模方法包括傅里叶变换、短时傅里叶变换、压缩短时傅里叶变换、小波变换后用svm建立分割超平面等，这类方法对于不同射频信号间差距较大时比较适用，但难以分辨出如同一款无人机的不同模式下的射频信号。当前深度学习检测无人机射频信号的方法有全连接网络、卷积网络、卷积残差网络等，随着网络复杂度的提高，其检测/分类能力也相应提升，能够较好识别一些特征十分相近的信号，但这些网络通常计算体量十分庞大，需要训练的参数高达几十万或上百万。

技术实现思路

1、针对上述本专利技术提出了一种基于混合熵深本文档来自技高网...

【技术保护点】

1.一种基于混合熵深度学习的无人机射频信号检测识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(1)中，射频信号时域数据通过16384点的离散傅里叶变换转换得到高密度频域谱数据。

3.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(2)中，训练集、验证集和测试集按照8:1:1比例划分；训练集、验证集、测试集中的每条数据对应着其分类标签yi∈{1,2,…,C}，其中C为待分类的类数，N为训练集、验证集和测试集中高密度频域谱数据的总量，分类标签指示深度学习网络训练时计算损失或验证/测试时计算准...

【技术特征摘要】

1.一种基于混合熵深度学习的无人机射频信号检测识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(1)中，射频信号时域数据通过16384点的离散傅里叶变换转换得到高密度频域谱数据。

3.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(2)中，训练集、验证集和测试集按照8:1:1比例划分；训练集、验证集、测试集中的每条数据对应着其分类标签yi∈{1,2,…,c}，其中c为待分类的类数，n为训练集、验证集和测试集中高密度频域谱数据的总量，分类标签指示深度学习网络训练时计算损失或验证/测试时计算准确率，分类标签的形式为直接表示或独热编码表示。

4.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(3)中，概率层中，对于每一个输入特征点，都分配了一个权重k表示转换到变换域的点数，pk表示特征被选中的概率，是一个可训练参数，概率层的输出为输入特征值与pk相乘得到的

5.根据权利要求1所述的无人机射频信号检测识别方法，其特征在于，步骤(3)中，骨架网络采用全连接、卷积或残差结构；骨架网络的最...

【专利技术属性】
技术研发人员：左健存，薛颖，常远培，张宇，孙晶国，季张源，李和威，
申请(专利权)人：上海第二工业大学，
类型：发明
国别省市：