一种基于混合神经网络的干扰信号识别方法和装置
文献发布时间:2024-04-18 19:58:21
技术领域
本发明涉及通信技术领域,尤其涉及一种基于混合神经网络的干扰信号识别方法和装置。
背景技术
随着信息化时代的到来,各种通信手段已经被广泛应用到人们生活的各个角落。其中,卫星通信因为其通信范围广、容量大、可靠性高的特点,在无线通信领域获得广泛关注。但是,卫星通信系统长期暴露于开放的环境中,各种各样的环境噪声、空间干扰以及人为恶意干扰都会对卫星通信的质量造成严重影响。因此,为了保证卫星通信在恶劣环境下能正常进行,各种抗干扰方法也应运而生。
抗干扰的前提便是对接收信号中的干扰信号进行准确、实时的分类识别。干扰信号识别作为卫星通信系统抗干扰的重要组成部分,可以为后续的干扰消除、干扰抑制方法提供支持,提高卫星通信系统的性能。
针对不同模态数据,现有的识别方法通常使用不同的网络进行识别,例如,对于时域数据采用模型1进行处理,对于频域数据采用模型2进行处理。但是,该方法在识别过程中仅采用单一模态数据,忽略其他模态数据中的特征,导致识别准确度较低。
发明内容
有鉴于此,本发明实施例提供一种基于混合神经网络的干扰信号识别方法和装置,能够提高干扰信号的识别准确度。
第一方面,本发明实施例提供了一种基于混合神经网络的干扰信号识别方法,包括:
获取多个信号样本及其真实标签;其中,所述多个信号样本中包括:由噪声信号和有用信号叠加得到的无干扰样本,以及与多种干扰类别分别对应的干扰样本;任一所述干扰样本由噪声信号、有用信号和任一干扰类别的干扰信号叠加得到;
将所述多个信号样本分别转换成对应的时频图像;
基于多个时频图像输入混合神经网络,得到各个所述信号样本的预测值;其中,所述混合神经网络依次包括:输入层、第一卷积块注意力模块、最大池化层、混合空洞卷积层、第二卷积块注意力模块、平均池化层、门控循环单元和全连接层;
基于各个所述信号样本的真实标签和预测值,以及预设的损失函数,计算损失值;
基于所述损失值调整所述混合神经网络的参数;
基于训练好的混合神经网络识别当前信号中的干扰信号。
第二方面,本发明实施例提供了一种基于混合神经网络的干扰信号识别装置,包括:
获取模块,配置为获取多个信号样本及其真实标签;其中,所述多个信号样本中包括:由噪声信号和有用信号叠加得到的无干扰样本,以及与多种干扰类别分别对应的干扰样本;任一所述干扰样本由噪声信号、有用信号和任一干扰类别的干扰信号叠加得到;
转换模块,配置为将所述多个信号样本分别转换成对应的时频图像;
训练模块,配置为基于多个时频图像输入混合神经网络,得到各个所述信号样本的预测值;其中,所述混合神经网络依次包括:输入层、第一卷积块注意力模块、最大池化层、混合空洞卷积层、第二卷积块注意力模块、平均池化层、门控循环单元和全连接层;基于各个所述信号样本的真实标签和预测值,以及预设的损失函数,计算损失值;基于所述损失值调整所述混合神经网络的参数;
预测模块,配置为基于训练好的混合神经网络识别当前信号中的干扰信号。
第三方面,本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一实施例所述的方法。
第四方面,本发明实施例提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:基于混合神经网络能够对多模态数据进行处理,在识别过程中,考虑不同模态数据中的特征,提高识别准确度。基于卷积块注意力模块提供的注意力机制,能够准确识别多种类别的干扰信号。对CLDNN(Convolutional Neural Network Long Short Term Memory Deep Neural Network,卷积神经网络-长短期记忆网络-全连接神经网络)进行改进,将其中的LSTM替换成GRU(GateRecurrent Unit,门控循环单元),在维持性能的同时能够简化模型结构,进而提升训练速度;将卷积神经网络替换为混合空洞卷积层,能够在减少计算量的情况下,扩大特征图感受野,捕捉数据在更大的空间范围内的相关性,进而提高识别准确度。在混合空洞卷积层的前后都引入CBAM(Convolutional Block Attention Module,卷积块注意力模块)来实现特征优化选择,通过其包含的通道注意力机制和空间注意力机制强化有效特征信息,弱化无效特征信息,从而提高模型的分类性能和泛化能力。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明的一个实施例提供的一种基于混合神经网络的干扰信号识别方法的流程图;
图2是本发明的一个实施例提供的一种混合神经网络的示意图;
图3是本发明的一个实施例提供的一种CBAM的示意图;
图4是本发明的一个实施例提供的一种基于混合神经网络的干扰信号识别装置的示意图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如图1所示,本发明实施例提供了一种基于混合神经网络的干扰信号识别方法,包括:
步骤101:获取多个信号样本及其真实标签。
其中,多个信号样本中包括:由噪声信号和有用信号叠加得到的无干扰样本,以及与多种干扰类别分别对应的干扰样本;任一干扰样本由噪声信号、有用信号和任一干扰类别的干扰信号叠加得到。
信号样本可以通过仿真软件生成,例如,通过MATLAB软件生成。一个干扰样本对应一种干扰类别,一种干扰类别对应多个具有不同干信比的干扰样本。信号样本的标签包括:无干扰和干扰类别。例如,无干扰样本的真实标签为无干扰,干扰样本的真实标签为其对应的干扰类别。
步骤102:将多个信号样本分别转换成对应的时频图像。
步骤103:基于多个时频图像输入混合神经网络,得到各个信号样本的预测值。
其中,如图2所示,混合神经网络依次包括:输入层、第一卷积块注意力模块、最大池化层、混合空洞卷积层、第二卷积块注意力模块、平均池化层、门控循环单元和全连接层。
步骤104:基于各个信号样本的真实标签和预测值,以及预设的损失函数,计算损失值。
步骤105:基于损失值调整混合神经网络的参数。
步骤106:基于训练好的混合神经网络识别当前信号中的干扰信号。
基于混合神经网络能够对多模态数据进行处理,在识别过程中,考虑不同模态数据中的特征,提高识别准确度。基于卷积块注意力模块提供的注意力机制,能够准确识别多种类别的干扰信号。对CLDNN进行改进,将其中的LSTM替换成GRU,在维持性能的同时能够简化模型结构,进而提升训练速度;将卷积神经网络替换为混合空洞卷积层,能够在减少计算量的情况下,扩大特征图感受野,捕捉数据在更大的空间范围内的相关性,进而提高识别准确度。在混合空洞卷积层的前后都引入CBAM来实现特征优化选择,通过其包含的通道注意力机制和空间注意力机制强化有效特征信息,弱化无效特征信息,从而提高模型的分类性能和泛化能力。
在本发明的一个实施例中。以卫星通信为例,有用信号为BPSK(Binary PhaseShift Keying,二进制相移键控)调制信号,噪声信号为加性高斯白噪声,信号参数设置为:信噪比为5dB,干信比为[-30dB,10dB],间隔4dB,载波频率为140KHz,采样频率为800KHz。
干扰类别包括:单音干扰、多音干扰、线性扫频干扰、脉冲干扰、梳状谱干扰,窄带噪声干扰和宽带噪声干扰中多种。
其中,单音干扰的频点在带宽内随机产生,多音干扰的频率集在带宽内随机产生,线性扫频干扰初始频率120KHz,扫频速率为8MHz,脉冲干扰为占空比为2%的矩形脉冲,梳状谱干扰的总带宽占比大于1/2,窄带噪声干扰的带宽占比为1/10,宽带噪声干扰的带宽占比大于2/3。
每类干扰类别在每种干信比下信号样本的数量为250,并按照6:2:2的比例划分成训练集、验证集和测试集。
在本发明的一个实施例中,将多个信号样本分别转换成对应的时频图像,包括:基于短时傅里叶变换将多个信号样本分别转换成对应的时频图像。
在本发明实施例中,时频图像的分辨率为3×224×224。本发明实施例通过短时傅里叶变换将信号数据转化为二维的时频图像,将时域特征和频域特征的优势集中,进而提升识别精度。另外,短时傅里叶变换还可以替换为小波变换。
在本发明的一个实施例中,输入层包括:3层第二特征提取单元;
其中,任一第二特征提取单元包括:二维卷积层、二维批归一化层和修正线性单元。
输入层利用第二特征提取单元对输入的时频图像进行特征提取。第二特征提取单元由三个基本单元构成,分别是二维卷积层(Conv2d)、二维批归一化层(BatchNorm2d)和修正线性单元(ReLU),二维卷积层的卷积核大小为7×7,通道数为16,将时频图像的分辨率由3×224×224转换为16×112×112。
在本发明的一个实施例中,第一卷积块注意力模块包括:第一通道注意力模块和第一空间注意力模块;
第二卷积块注意力模块包括:第二通道注意力模块和第二空间注意力模块。
第一卷积块注意力模块和第二通道注意力模块为两个结构相同的CBAM(Convolutional Block Attention Module,卷积块注意力模块),分别设置在混合空洞卷积层的前后。
如图3所示,卷积块注意力模块由通道注意力模块和空间注意力模块串行构成。通道注意力模块的输入为F∈R
其中,F用于表征输入通道注意力模块的特征图,R用于表征实数域,C用于表征通道数,H用于表征特征图的高,W用于表征特征图的宽,F′用于表征经过通道注意力机制处理后的特征图,F″用于表征经过空间注意力机制处理后的特征图。
式(1)其含义为:经过通道注意力机制处理后的特征图=通道注意力特征图×原特征图。
式(2)其含义为:经过空间注意力机制处理后的特征图=空间注意力特征图×经过通道注意力机制处理后的特征图。
通道注意力模块关注时频图像不同通道之间的关系,对每个通道赋予不同的权重,强化对重要通道的关注,从而有助于提高模型的表示能力。
在通道注意力模块中,特征图F经过最大池化和平均池化两个并行分支提取全局特征,并生成两个空间特征图:
式(3):
其中,σ是Sigmoid函数,W
空间注意力模块关注于时频图像内部的空间结构,对每个像素位置赋予不同的权重,使得模型能够关注时频图像中的重要区域。在空间注意力模块中,将通道注意力模块处理后输出的特征图F′作为输入,分别使用最大池化与平均池化来聚合特征图的通道信息,得到2个2D特征:
其中,f
将CBAM的输出结果送入到过滤器大小为3×3,步长为1的最大池化层,输出尺寸大小为32×56×56的特征图,将特征图输入到混合空洞卷积层。
在本发明的一个实施例中,混合空洞卷积层包括:4层第一特征提取单元;
其中,任一层第一特征提取单元包括:二维卷积层、二维批归一化层和参数修正线性单元;
4层二维卷积层的通道数分别为32、64、32和16,卷积核均为3×3,膨胀率分别为1、3、7和1。
空洞卷积向卷积层引入了一个称为“膨胀率”的新参数,该参数定义了卷积核各点之间的间隔数量。膨胀率为r的空洞卷积会在普通的卷积核权值之间引入r-1个零点,相当于将k×k卷积核扩大到k+(k-1)×(r-1),却不增加任何参数或计算量。
在设计混合空洞卷积时,应满足以下要求:①叠加卷积的膨胀率不能有大于1的公约数;②膨胀率应设计成锯齿状结构,如[1,2,5,1,2,5];③假设有n个卷积层,卷积核大小为k×k,膨胀率为[r
M
1≤i≤n-1;M
本发明实施例利用不同膨胀率的混合空洞卷积的叠加扩大感受野。将混合空洞卷积层的输出结果送入CBAM,再经过大小为4×4平均池化层来降低参数量,最后将提取的特征信息转入到GRU。
GRU包括更新门和重置门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,重置门用于控制前一状态有多少信息被写入,其隐藏层的大小为128。通过GRU,特征数据由16×4×4被转换为128,并被送入到全连接层。
全连接层通过softmax激活函数将多个神经元的输出映射为[0,1]中的概率,以实现多标签分类,损失函数为交叉熵损失函数。
在训练过程中,根据损失函数算出的损失值,使用自适应优化算法Adam优化器,来自适应地调节学习率,初始学习率为0.0001,总计迭代40次。在训练稳定后,将验证集和测试集输入到训练好的混合神经网络中测试干扰识别准确度。
如图4所示,本发明实施例提供了一种基于混合神经网络的干扰信号识别装置,包括:
获取模块401,配置为获取多个信号样本及其真实标签;其中,多个信号样本中包括:由噪声信号和有用信号叠加得到的无干扰样本,以及与多种干扰类别分别对应的干扰样本;任一干扰样本由噪声信号、有用信号和任一干扰类别的干扰信号叠加得到;
转换模块402,配置为将多个信号样本分别转换成对应的时频图像;
训练模块403,配置为基于多个时频图像输入混合神经网络,得到各个信号样本的预测值;其中,混合神经网络依次包括:输入层、第一卷积块注意力模块、最大池化层、混合空洞卷积层、第二卷积块注意力模块、平均池化层、门控循环单元和全连接层;基于各个信号样本的真实标签和预测值,以及预设的损失函数,计算损失值;基于损失值调整混合神经网络的参数;
预测模块404,配置为基于训练好的混合神经网络识别当前信号中的干扰信号。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
- 一种基于深度神经网络模型的图像识别方法、装置及设备
- 一种基于卷积神经网络的图像识别方法、装置及设备
- 一种基于特征选择卷积神经网络的目标重识别方法和装置
- 一种基于卷积神经网络模型的雷达干扰信号类型识别方法
- 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法