【技术实现步骤摘要】
所属的技术人员能够理解，本专利技术的各个方面可以实现为系统、方法或程序产品。因此，本专利技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。本专利技术再一个实施例中，提供一种用于电磁信号分类识别的深度学习系统，该系统能够用于实现上述用于电磁信号分类识别的深度学习方法，具体的，该用于电磁信号分类识别的深度学习系统包括数据模块、构建模块、污染模块、训练模块以及识别模块。其中，数据模块，构建电磁信号数据集，每个数据集包含多维度的电磁信号特征及相应的标签信息；构建模块，选择并配置对应的深度学习模型；污染模块，对电磁信号数据集进行标签污染，包括y个体级别和m矩阵级别的污染，y个体级别污染通过随机选定特定比例的数据点并修改其标签，m矩阵级别污染通过应用预定义的污染矩阵对全部或部分数据集的标签进行系统性修改；训练模块，使用带有污染标签的电磁信号数据集训练得到的深度学习模型；识别模块，将未受污染的电磁信号数据集输入得到的深度学习模型中，输出识别的电磁...
【技术保护点】
1.一种用于电磁信号分类识别的深度学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于电磁信号分类识别的深度学习方法，其特征在于，磁信号数据集包括RML2016.10a数据集、WiFi信号数据集及蓝牙个体数据集。
3.根据权利要求1所述的用于电磁信号分类识别的深度学习方法，其特征在于，深度学习模型包括MCLDNN和CNN5，MCLDNN用于进行多通道数据输入处理RML数据集，CNN5用于处理WiFi信号数据集及蓝牙个体数据集。
4.根据权利要求1所述的用于电磁信号分类识别的深度学习方法，其特征在于，Y个体级别污染具体为
5....
【技术特征摘要】
1.一种用于电磁信号分类识别的深度学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于电磁信号分类识别的深度学习方法，其特征在于，磁信号数据集包括rml2016.10a数据集、wifi信号数据集及蓝牙个体数据集。
3.根据权利要求1所述的用于电磁信号分类识别的深度学习方法，其特征在于，深度学习模型包括mcldnn和cnn5，mcldnn用于进行多通道数据输入处理rml数据集，cnn5用于处理wifi信号数据集及蓝牙个体数据集。
4.根据权利要求1所述的用于电磁信号分类识别的深度学习方法，其特征在于，y个体级别污染具体为：
5.根据权利要求4所述的用于电磁信号分类识别的深度学习方法，其特征在于，利用`flip_labels`进行标签翻转具体为：
...
【专利技术属性】
技术研发人员：李玲玲，刘琼，焦李成，刘芳，刘旭，陈璞花，李阳阳，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。