一种基于MDS-CNN的干扰信号分类识别方法及系统与流程

一种基于mds
‑
cnn的干扰信号分类识别方法及系统
技术领域
1.本发明涉及干扰信号识别技术领域，特别是涉及一种基于mds
‑
cnn的干扰信号分类识别方法及系统。


背景技术：

2.近年来，随着计算机运算能力的提高，神经网络得到了快速的发展，被广泛应用于图像处理、语音识别、计算机视觉、医学检查和信号检测等领域。在科技快速发展的今天，无线频谱资源日益紧张，各种电子设备受到的干扰增多，再加上人为的恶意干扰，使得战场电磁环境越来越复杂，干扰机、雷达等电子设备严重影响通信系统的性能，因此能够快速对干扰信号进行准确的分类识别，对指导通信系统抗干扰具有重要意义。
3.传统的干扰信号识别方法主要依靠人工提取特征，再利用分类器对干扰信号进行分类识别。常用的机器学习分类算法有bp(backpropagation)神经网络、决策树和支持向量机(supportvectormachine，svm)。利用提取特征方法的性能取决于提取特征的好坏，所提取的特征对识别结果有很大的影响。如何对干扰信号进行准确、快速的识别，一直以来都是众多学者研究的重点。


技术实现要素：

4.本发明的目的是提供一种基于mds
‑
cnn的干扰信号分类识别方法及系统，以实现对干扰信号进行准确、快速的识别。
5.为实现上述目的，本发明提供了如下方案：
6.本发明提供一种基于mds
‑
cnn的干扰信号分类识别方法，所述方法包括如下步骤：
7.获取不同干扰类型不同干噪比下的干扰信号，作为干扰信号样本，构建干扰信号数据集；
8.采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集；
9.利用降维后的干扰信号数据集对cnn模型进行训练，获得训练后的cnn模型；
10.获取通信系统的干扰信号；
11.对通信系统的干扰信号进行降维后，输入训练后的cnn模型进行识别。
12.可选的，干扰类型包括单音干扰、多音干扰、部分带干扰、噪声调频干扰和噪声调幅干扰。
13.可选的，所述采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集，具体包括：
14.构建关于干扰信号数据集中任意两个干扰信号样本之间距离的距离矩阵；
15.利用公式将所述距离矩阵中的每个元素转移到内积矩阵中；
16.其中，b
ij
表示内积矩阵中第i行第j列的元素，dist
ij
表示距离矩阵中第i行第j列
的元素，即，干扰信号数据集中第i个与第j个干扰信号样本的距离，和分别表示距离矩阵中的第i行元素平方的平均值、第j列元素平方的平均值和所有元素平方的平均值，平均值，n表示干扰信号数据集的样本个数；
17.对所述内积矩阵进行特征值分解，选取m个较大的特征值，组成特征值对角矩阵；其中，m表示降维后的干扰信号数据集的维数；
18.从所述内积矩阵中选取m个较大的特征值对应的特征向量，组成特征向量矩阵；
19.根据所述特征值对角矩阵和所述特征向量矩阵，利用公式确定降维后的干扰信号数据集。
20.可选的，所述cnn模型包括依次连接的卷积层、第一全连接层、relu层、dropout层、第二全连接、softmax层和输出层。
21.可选的，所述利用降维后的干扰信号数据集对cnn模型进行训练，获得训练后的cnn模型，具体包括：
22.将降维后的干扰信号数据集划分为训练集和测试集；
23.利用所述训练集对cnn模型进行训练，利用所述测试集对cnn模型进行测试，直到cnn模型的识别率达到预设阈值，获得训练后的cnn模型。
24.可选的，所述获取通信系统的干扰信号，具体包括：
25.将通信系统的发送端发出的传输信号和通信系统的接收端接收的传输信号进行对比，获取对所述传输信号产生干扰的干扰信号，作为通信系统的干扰信号。
26.一种基于mds
‑
cnn的干扰信号分类识别系统，所述方法包括如下步骤：
27.干扰信号数据集构建模块，用于获取不同干扰类型不同干噪比下的干扰信号，作为干扰信号样本，构建干扰信号数据集；
28.降维模块，用于采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集；
29.cnn模型训练模块，用于利用降维后的干扰信号数据集对cnn模型进行训练，获得训练后的cnn模型；
30.干扰信号测量模块，用于获取通信系统的干扰信号；
31.干扰信号识别模块，用于对通信系统的干扰信号进行降维后，输入训练后的cnn模型进行识别。
32.可选的，干扰类型包括单音干扰、多音干扰、部分带干扰、噪声调频干扰和噪声调幅干扰。
33.可选的，所述降维模块，具体包括：
34.距离矩阵构建子模块，用于构建关于干扰信号数据集中任意两个干扰信号样本之间距离的距离矩阵；
35.矩阵转换子模块，用于利用公式将所述距离矩阵中的每个元素转移到内积矩阵中；
36.其中，b
ij
表示内积矩阵中第i行第j列的元素，dist
ij
表示距离矩阵中第i行第j列的元素，即，干扰信号数据集中第i个与第j个干扰信号样本的距离，和分别表示距离矩阵中的第i行元素平方的平均值、第j列元素平方的平均值和所有元素平方的平均值，平均值，n表示干扰信号数据集的样本个数；
37.特征值对角矩阵构建子模块，用于对所述内积矩阵进行特征值分解，选取m个较大的特征值，组成特征值对角矩阵；其中，m表示降维后的干扰信号数据集的维数；
38.特征向量矩阵构建子模块，用于从所述内积矩阵中选取m个较大的特征值对应的特征向量，组成特征向量矩阵；
39.降维后的干扰信号数据集获取子模块，用于根据所述特征值对角矩阵和所述特征向量矩阵，利用公式确定降维后的干扰信号数据集。
40.可选的，所述cnn模型包括依次连接的卷积层、第一全连接层、relu层、dropout层、第二全连接、softmax层和输出层。
41.根据本发明提供的具体实施例，本发明公开了以下技术效果：
42.本发明公开了一种基于mds
‑
cnn的干扰信号分类识别方法，所述方法包括如下步骤：获取不同干扰类型不同干噪比下的干扰信号，作为干扰信号样本，构建干扰信号数据集；采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集；利用降维后的干扰信号数据集对cnn模型进行训练，获得训练后的cnn模型；获取通信系统的干扰信号；对通信系统的干扰信号进行降维后，输入训练后的cnn模型进行识别。并发明将多维缩放算法(multipledimensional scaling，mds)与cnn网络结合，利用多维缩放算法对数据进行压缩提高训练和识别速度，利用cnn网络实现干扰信号的准确识别，实现了对干扰信号进行准确、快速的识别。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
44.图1为本发明实施例1提供的一种基于mds
‑
cnn的干扰信号分类识别方法的流程图；
45.图2为本发明实施例1提供的一种基于mds
‑
cnn的干扰信号分类识别方法的原理图；
46.图3为本发明实施例3提供的基于mds
‑
cnn的干扰信号分类识别方法的网络结构示意图；
47.图4为本发明实施例3提供的基于mds
‑
cnn的干扰信号分类识别方法的损失值图；
48.图5为本发明实施例3提供的基于mds
‑
cnn的干扰信号分类识别方法的总识别率图；
49.图6为本发明实施例3提供的为cnn和mds
‑
cnn在
‑
20db到0db干噪比下对应的干扰信号识别率图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.本发明的目的是提供一种基于mds
‑
cnn的干扰信号分类识别方法及系统，以实现对干扰信号进行准确、快速的识别。
52.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
53.实施例1
54.如图1和2所示，本发明提供一种基于mds
‑
cnn的干扰信号分类识别方法，所述方法包括如下步骤：
55.步骤101，获取不同干扰类型不同干噪比下的干扰信号，作为干扰信号样本，构建干扰信号数据集。
56.分别对单音干扰、多音干扰、部分带干扰、噪声调频干扰和噪声调幅干扰五种干扰类型在不同干噪比下进行采样，每种信号每个干噪比下采集一百组数据，每组数据512个采样点，五种干扰信号分别在
‑
20db到0db共21个干噪比情况下采集数据。最终得到每种干扰信号数据样本的参数个数为100
×
21
×
512，五种干扰信号总数据集的参数个数为100
×
21
×5×
512(参数个数为5376000，即生成的数据集为10500
×
512)。并对五种干扰信号数据加上不同的标签，用来区分信号类型。
57.具体方法为：
58.有5000个样本在原始空间的距离矩阵为d∈r
5000
×
5000
，第i行第j列元素dist
ij
是样本x
i
和x
j
之间的距离。mds的目的是获取样本在d1维空间的表示z∈r
10
×
5000
，且任意两个距离在10维空间的欧式距离等于原始空间的距离，即||z
i
‑
z
j
||＝dist
ij
。
59.令b＝z
t
z∈r
5000
×
5000
为降维后样本的内积矩阵，有
[0060][0061]
令降维后的样本z被中心化，即显然内积矩阵b的行、列之和均为0。记内积矩阵的迹有
[0062][0063]
[0064][0065]
下面令
[0066][0067][0068][0069]
可以推导得到
[0070][0071]
上面的式子就可以从原矩阵d求取内积矩阵b。
[0072]
接下来就对矩阵b做特征值分解即可。选择最大的d1个特征值构成的对角矩阵λ，以及对应的特征向量构成的矩阵v,那么降维后的样本表示为
[0073][0074]
其中由于λ已然是对角矩阵，所以只需要对对角的值取开平方即可。
[0075]
步骤102，采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集。
[0076]
将生成的五种干扰信号数据集输入到mds中，通过mds将每组512维的高维空间干扰信号降至10维的低维空间，使得高维空间中点与点之间距离和对象间的相似度高度相关的特性保留在经过mds降维后的低维空间中。同时，经过降维把原始数据集的参数个数100
×
21
×5×
512变为100
×
21
×5×
10(参数个数为105000，即生成的数据集为10500
×
10)，大大减小了数据量，使得训练卷积神经网络的时间缩短数倍，使得训练卷积神经网络更加高效。
[0077]
步骤103，利用降维后的干扰信号数据集对cnn模型进行训练，获得训练后的cnn模型。
[0078]
对降维后的数据进行归一化处理，然后将带标签的数据集输入到卷积神经网络模型的卷积层中进行训练和测试。
[0079]
将降维后的干扰信号数据集进行分离，取数据集中的70％作为输入网络模型的训练集，而数据集的另外30％作为测试集。
[0080]
本发明的采用cnn模型的是一层一维卷积层，使用的是32个大小为1
×
4的卷积核，步长为1，在该层中激活函数选用了relu函数。经过处理，卷积层输出的数据大小为10500
×
7(参数个数为73500)；
[0081]
本发明的cnn模型中包括两个全连接层，全连接层的连接：全连接
→
relu层
→
dropout层
→
全连接
→
softmax层，第一层全连接层与卷积层相连，输入参数个数为10500
×
7(参数个数为73500)，dropout层是为了防止过拟合。
[0082]
步骤104，获取通信系统的干扰信号。
[0083]
步骤104所述获取通信系统的干扰信号，具体包括：将通信系统的发送端发出的传输信号和通信系统的接收端接收的传输信号进行对比，获取对所述传输信号产生干扰的干扰信号，作为通信系统的干扰信号。
[0084]
步骤105，对通信系统的干扰信号进行降维后，输入训练后的cnn模型进行识别。
[0085]
实施例2
[0086]
一种基于mds
‑
cnn的干扰信号分类识别系统，所述方法包括如下步骤：
[0087]
干扰信号数据集构建模块，用于获取不同干扰类型不同干噪比下的干扰信号，作为干扰信号样本，构建干扰信号数据集。干扰类型包括单音干扰、多音干扰、部分带干扰、噪声调频干扰和噪声调幅干扰。
[0088]
降维模块，用于采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集。
[0089]
所述降维模块，具体包括：距离矩阵构建子模块，用于构建关于干扰信号数据集中任意两个干扰信号样本之间距离的距离矩阵；矩阵转换子模块，用于利用公式将所述距离矩阵中的每个元素转移到内积矩阵中；其中，b
ij
表示内积矩阵中第i行第j列的元素，dist
ij
表示距离矩阵中第i行第j列的元素，即，干扰信号数据集中第i个与第j个干扰信号样本的距离，和分别表示距离矩阵中的第i行元素平方的平均值、第j列元素平方的平均值和所有元素平方的平均值，矩阵中的第i行元素平方的平均值、第j列元素平方的平均值和所有元素平方的平均值，n表示干扰信号数据集的样本个数；特征值对角矩阵构建子模块，用于对所述内积矩阵进行特征值分解，选取m个较大的特征值，组成特征值对角矩阵；其中，m表示降维后的干扰信号数据集的维数；特征向量矩阵构建子模块，用于从所述内积矩阵中选取m个较大的特征值对应的特征向量，组成特征向量矩阵；降维后的干扰信号数据集获取子模块，用于根据所述特征值对角矩阵和所述特征向量矩阵，利用公式确定降维后的干扰信号数据集。
[0090]
cnn模型训练模块，用于利用降维后的干扰信号数据集对cnn模型进行训练，获得训练后的cnn模型。
[0091]
所述cnn模型包括依次连接的卷积层、第一全连接层、relu层、dropout层、第二全连接、softmax层和输出层。
[0092]
干扰信号测量模块，用于获取通信系统的干扰信号；
[0093]
干扰信号识别模块，用于对通信系统的干扰信号进行降维后，输入训练后的cnn模型进行识别。
[0094]
实施例3
[0095]
为了说明本发明的方法及系统的技术效果，本发明中设计的基于mds
‑
cnn的干扰信号分类识别方法的网络结构示意图如图3所示，其结构参数如表1所示。
[0096]
表1 mds
‑
cnn结构参数
[0097][0098]
图4给出了mds
‑
cnn方法对通信和雷达五种干扰信号进行识别过程中的损失函数值。其中横坐标给出了迭代次数，可以看出，随着迭代次数的增加，训练损失函数值呈现出减小的趋势，当迭代次数达到60之后，损失值基本趋于稳定。
[0099]
图5为mds
‑
cnn方法对通信和雷达五种干扰信号进行识别的识别率。其中横坐标给出了迭代次数，由此可以看出，当迭代次数达到60以后，识别率趋于稳定，100次迭代之后，对五种干扰信号在
‑
20db到0db共21个干噪比情况下的总识别率维持在92％，本发明的mds
‑
cnn与cnn算法的识别率的对比结果见表2，说明了本设计对五种干扰信号分类识别的有效性。
[0100]
表2 cnn和mds
‑
cnn两种算法的识别率与迭代时间对比表
[0101][0102]
图6是五种干扰信号在不同干噪比下的识别率图，图6中展示了使用cnn网络和mds
‑
cnn网络对五种干扰信号的准确识别率，可以看出，随着干噪比的增加，识别率虽然有所波动，但总体趋势不断提高，并且在
‑
12db以后识别率达到95％以上。同时，本发明的mds
‑
cnn网络对五种干扰信号的识别率明显高于cnn网络的识别率。并且在提高识别率的同时，很大程度上缩短了模型计算速度。
[0103]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0104]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。