复信号多分量交互特征信号处理方法、模型及系统与流程

1.本发明涉及通讯技术领域，具体而言，涉及一种复信号多分量交互特征信号处理方法、模型及系统。


背景技术：

2.随着世界新技术革命的浪潮冲击战争领域，电子对抗成为现代战争的先导，使武器系统、军队结构、战争方式以及指挥手段等各个方面发生了革命性变化，决定了“制陆、制海、制空、制天”权的归属。作为电子对抗领域的一个重要模块，电磁环境模拟技术是复杂电磁环境下武器测试、军事训练及其它电磁环境效应研究的基础，广泛应用于电子战装备研制的各个阶段，已经成为电子战侦察装备中不可缺少的一部分。该技术通过模拟逼真的战场电磁环境，不仅能够检测雷达、通信等装备对电磁环境的适应能力，还可检测在复杂电磁环境下的部队指挥、战术机动、火力打击、整体防护能力。随着认知无线电、自组织组网的快速发展，现代战场电磁环境日益复杂，主要特点是密集、交错、复杂和多变，具体体现在：雷达、通信等设备体制趋于复杂化，导致所用电磁信号形式复杂，频率多变，且不同信号在频段和时间域上互有重叠；辐射源数量多，电磁信号分布密度大、分布范围宽；信号的截获概率、测量精度等不确定性因素会造成测量数据的偏差。
3.为了数字带通通信系统具备抗混叠能力以及降低采样率，通常需要将信号进行下变频，并利用正交变换、希尔伯特变换等方法构建零中频的复信号，主要包括同相分量i和正交分量q。
4.但是，实际上，复杂电磁环境模拟技术的一个关键问题是如何提出能适应复杂电磁信号多维度显示。传统基于模型的方法遵循统计模式识别框架，主要由数据预处理、特征提取、特征选择以及分类器设计等多个处理模块组成，具有较好的性能，成效显著。但是，上述框架缺乏对特征提取、特征选择以及分类器设计等各个处理模块的整体性考虑，导致模型不够贴近于数据分布，进而制约了模型自适应能力的提高；此外，现有的处理方法大多先将i/q分量进行融合，再构建特征建模方法以挖掘特征，处理复信号的能力有限；近年来，深度学习技术等机器学习方法通过构建多层非线性变换，能够将数据映射到辨识性较好的高层语义特征空间，可有效表示数据的有用信息，为电磁信号多分量可辨识特征分析提供了新的技术手段。该类方法大多先预先提取电磁信号特征，再构建后端卷积神经网络、长短时记忆网络等深度学习模型，进一步挖掘语义特征。
5.然而，这些方法本质仍为分阶段处理，限制在传统信号识别的框架下，未提出相应的新理论和新思想。即使已有复值神经网络用于信号处理领域，但这些复信号处理方法与实值数据以及星座图、眼图等可视化技术的兼容性较差，导致模型缺乏可解释性。
6.尽管国内已经开展了相关电磁信号特征建模研究，但电磁信号多分量可辨识特征分析新问题的研究还不够系统深入，这必将是今后复杂电磁环境模拟技术的重要研究内容。因此，以深度学习技术为主要研究工具，结合模式识别和信号识别等理论，系统深入开展电磁信号多分量可辨识特征分析研究不仅有重要的学术价值和广阔的应用前景，而且对
于提高电子对抗系统的反导、预警、制导能力具有重要的现实意义。因此，需要开展复信号多分量交互特征建模方法研究，为电磁信号可辨识特征分析提供基础模型。


技术实现要素：

7.本发明的目的在于提供了一种复信号多分量交互特征信号处理方法、模型及系统，用以解决现有技术中存在的上述内容。
8.第一方面，本发明实施例提供了一种复信号多分量交互特征信号处理方法，所述方法包括：
9.获得频域同相分量和频域正交分量；其中，所述频域同相分量构成复信号的实部，频域正交分量构成复信号的虚部；
10.获得第一核函数、第二核函数以及交互核函数；所述第一核函数为所述交互核函数的实部，第二核函数为交互核函数的虚部；
11.将频域同相分量与第一核函数的乘积输入激活函数中，获得第一同相激活分量；将频域正交分量与第二核函数的乘积输入激活函数中，获得第一正交激活分量；
12.将频域正交分量与第一核函数的乘积输入激活函数中，获得第二正交激活分量；将频域同相分量与第二核函数的乘积输入激活函数中，获得第二同相激活分量；
13.获得候选同相分量和候选正交分量；所述候选同相分量等于第二正交激活分量减去第二同相激活分量；候选正交分量等于第一同相激活分量减去第一正交激活分量；
14.获得候选复信号，所述候选复信号的实部为候选同相分量，所述候选复信号的虚部为候选正交分量。
15.可选的，在获得候选复信号之后，所述方法还包括：
16.通过注意力机制，基于共用核函数调整所述候选复信号，获得调整候选复信号；
17.对所述调整候选复信号和复信号进行残差连接，获得输出复信号。
18.可选的，在对所述调整候选复信号和复信号进行残差连接，获得输出复信号之后，所述方法还包括：
19.获得多分量特征交互单元的第k-1层的输出的实部和虚部；k为大于1的正整数；当k＝2时，多分量特征交互单元的第k-1层的输出为所述输出复信号；
20.更新第一核函数、第二核函数以及交互核函数；
21.将第k-1层的输出的实部与更新后的第一核函数的乘积输入激活函数中，获得更新第一同相激活分量；将第k-1层的输出的虚部与更新后的第二核函数的乘积输入激活函数中，获得更新第一正交激活分量；
22.将第k-1层的输出的虚部与更新后的第一核函数的乘积输入激活函数中，获得更新第二正交激活分量；将第k-1层的输出的实部与更新后的第二核函数的乘积输入激活函数中，获得更新第二同相激活分量；
23.获得第k层的候选复信号，所述第k层的候选复信号的实部为第k层的候选同相分量，所述第k层的候选复信号的虚部为第k层的候选正交分量；所述第k层的候选同相分量等于更新第二正交激活分量减去更新第二同相激活分量；第k层的候选正交分量等于更新第一同相激活分量减去更新第一正交激活分量；
24.通过注意力机制，基于跟新的共用核函数调整所述第k层的候选复信号，获得调整
第k层的候选复信号；
25.对所述调整第k层的候选复信号和第k-1层的输出进行残差连接，获得第k层的输出复信号。
26.可选的，在获得输出复信号之后，所述方法还包括：
27.对所述获得复信号进行全局池化处理；
28.对进行全局池化处理后的输出复信号进行离散傅里叶变换，获得分类数据；
29.对分类数据进行分类处理，得到分类信息；
30.对分类信息进行归一化处理，得到信号特征提取结果。
31.可选的，所述获得频域同相分量和频域正交分量，包括：
32.分别对信号的同相分量和正交分量进行编码；
33.分别将编码后的同相分量和编码后的正交分量映射到频域中，分别得到频域同相分量和频域正交分量。
34.第二方面，本发明实施例还提供了一种复信号多分量交互特征信号处理模型，所述模型包括多分量特征交互单元；多分量特征交互单元的层数为大于或等于1层；
35.当所述多分量特征交互单元的层数为1时，所述多分量特征交互单元用于执行上述任一项所述的方法。
36.可选的，所述多分量特征交互单元还用于：
37.通过注意力机制，基于共用核函数调整所述候选复信号，获得调整候选复信号；
38.对所述调整候选复信号和复信号进行残差连接，获得输出复信号。
39.可选的，当所述多分量特征交互单元的层数为大于1时，针对多分量特征交互单元的第k层，k是大于1的正整数，执行下述方法：
40.获得多分量特征交互单元的第k-1层的输出的实部和虚部；k为大于1的正整数；当k＝2时，多分量特征交互单元的第k-1层的输出为所述输出复信号；
41.更新第一核函数、第二核函数以及交互核函数；
42.将第k-1层的输出的实部与更新后的第一核函数的乘积输入激活函数中，获得更新第一同相激活分量；将第k-1层的输出的虚部与更新后的第二核函数的乘积输入激活函数中，获得更新第一正交激活分量；
43.将第k-1层的输出的虚部与更新后的第一核函数的乘积输入激活函数中，获得更新第二正交激活分量；将第k-1层的输出的实部与更新后的第二核函数的乘积输入激活函数中，获得更新第二同相激活分量；
44.获得第k层的候选复信号，所述第k层的候选复信号的实部为第k层的候选同相分量，所述第k层的候选复信号的虚部为第k层的候选正交分量；所述第k层的候选同相分量等于更新第二正交激活分量减去更新第二同相激活分量；第k层的候选正交分量等于更新第一同相激活分量减去更新第一正交激活分量；
45.通过注意力机制，基于跟新的共用核函数调整所述第k层的候选复信号，获得调整第k层的候选复信号；
46.对所述调整第k层的候选复信号和第k-1层的输出进行残差连接，获得第k层的输出复信号。
47.可选的，所述模型还包括后处理单元，所述后处理单元用于：
48.对所述获得复信号进行全局池化处理；
49.对进行全局池化处理后的输出复信号进行离散傅里叶变换，获得分类数据；
50.对分类数据进行分类处理，得到分类信息；
51.对分类信息进行归一化处理，得到信号特征提取结果。
52.第三方面，本发明实施例还提供了一种复信号多分量交互特征信号处理系统，所述系统包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
53.相较于现有技术，本发明实施例达到了以下有益效果：
54.本发明实施例提供了一种复信号多分量交互特征信号处理方法、模型及系统，所述方法包括：获得频域同相分量和频域正交分量；其中，所述频域同相分量构成复信号的实部，频域正交分量构成复信号的虚部；获得第一核函数、第二核函数以及交互核函数；所述第一核函数为所述交互核函数的实部，第二核函数为交互核函数的虚部；将频域同相分量与第一核函数的乘积输入激活函数中，获得第一同相激活分量；将频域正交分量与第二核函数的乘积输入激活函数中，获得第一正交激活分量；将频域正交分量与第一核函数的乘积输入激活函数中，获得第二正交激活分量；将频域同相分量与第二核函数的乘积输入激活函数中，获得第二同相激活分量；获得候选同相分量和候选正交分量；所述候选同相分量等于第二正交激活分量减去第二同相激活分量；候选正交分量等于第一同相激活分量减去第一正交激活分量；获得候选复信号，所述候选复信号的实部为候选同相分量，所述候选复信号的虚部为候选正交分量。
55.通过采用以上方案，第一，上述方案是对复信号进行处理，在处理复信号的基础上提取信号特征，相较于现有技术中只对实值信号的处理的方式，其获得信号的有用信息、隐含特征包含了不同分量的互补信息，增强了特征的可辨识性能。第二，传统方法通常认为实部和虚部独立，利用卷积神经网络或长短时记忆网络等实值神经网络分别处理信号的实部和虚部，但是事实上，信号的实部和虚部之间会存在相互关联的内隐知识和有用信息，因此本技术通过对输入的复信号的频域同相分量和频域正交分量进行交互处理，使得最后输出的复信号的实部(同相分量)的特征融合了输入的复信号的频域同相分量和频域正交分量，同时，输出的复信号的虚部(正交分量)的特征也融合了输入的复信号的频域同相分量和频域正交分量，实现了充分实现多分量信息的共享与交互，相较于现有技术中简单相加、串接等融合方法，其最终输出的复信号具有更多的电磁信号各分量之间的内隐知识和有用信息，为挖掘隐藏在电磁信号各分量之间的内隐知识和有用信息奠定了基础。第三，因为上述方法是对复信号进行处理，而实值信号可以利用已有方法简单地转变为复信号，因此上述方法具有对复信号和实值信号的处理的兼容性，同时，上述方法的设计过程考虑将输入与输出维度保持一致，因此，可以嵌入任意一个处理实值信号的系统或者模型中，以增强该系统或者模型对信号特征建模及处理的能力，即上述方法可以将一个仅能处理实值信号的系统或者模型升级为可同时处理实值信号和复信号的系统，进而增强该系统或者模型对信号处理的能力。
附图说明
56.图1是本发明实施例提供的一种复信号多分量交互特征信号处理模型示意图。
57.图2是本发明实施例提供的一种复信号多分量交互特征信号处理系统结构示意图。
58.图中标记：500-总线；501-接收器；502-处理器；503-发送器；504-存储器；505-总线接口。
具体实施方式
59.实施例
60.在数字频带通信系统中，为了提高信号在信道上传输的效率，达到信号远距离传输的目的，数字基带信号需要经过数字调制过程，将频谱搬移到高频处，形成适合在信道中传输的频带信号；同时，为了增加频带利用率，降低后续处理过程中的采样率，接收端则需要对信号进行数字解调，获得零中频的i/q(频域同相分量/频域正交分量)复信号。然而，这却给电磁信号特征挖掘与识别带来了新的挑战，传统方法通常认为实部和虚部独立，利用卷积神经网络或长短时记忆网络等实值神经网络分别处理信号的实部和虚部，未充分利用正交分量和同相分量的互补性。
61.因此，提出一种复信号多分量交互特征信号处理方法以能够有效处理复信号很有意义。
62.下面结合附图，对本发明作详细的说明。
63.实施例1
64.本发明实施例提供了一种复信号多分量交互特征信号处理方法，所述方法包括：
65.s101:获得频域同相分量和频域正交分量。
66.其中，所述频域同相分量构成复信号的实部，频域正交分量构成复信号的虚部。
67.s102：获得第一核函数、第二核函数以及交互核函数。
68.其中，所述第一核函数为所述交互核函数的实部，第二核函数为交互核函数的虚部。第一核函数、第二核函数的初始化参数是随机参数。
69.s103：将频域同相分量与第一核函数的乘积输入激活函数中，获得第一同相激活分量；将频域正交分量与第二核函数的乘积输入激活函数中，获得第一正交激活分量。将频域正交分量与第一核函数的乘积输入激活函数中，获得第二正交激活分量；将频域同相分量与第二核函数的乘积输入激活函数中，获得第二同相激活分量。
70.s104：获得候选同相分量和候选正交分量。
71.其中，所述候选同相分量等于第二正交激活分量减去第二同相激活分量；候选正交分量等于第一同相激活分量减去第一正交激活分量；
72.s105：获得候选复信号。
73.其中，所述候选复信号的实部为候选同相分量，所述候选复信号的虚部为候选正交分量。
74.通过采用以上方案，第一，上述方案是对复信号进行处理，在处理复信号的基础上提取信号特征，相较于现有技术中只对实值信号的处理的方式，其获得信号的有用信息、隐含特征的性能增强。第二，传统方法通常认为实部和虚部独立，利用卷积神经网络或长短时记忆网络等实值神经网络分别处理信号的实部和虚部，但是事实上，信号的实部和虚部之间会存在相互关联的内隐知识和有用信息，因此本技术通过对输入的复信号的频域同相分
量和频域正交分量进行交互处理，使得最后输出的复信号的实部(同相分量)的特征融合了输入的复信号的频域同相分量和频域正交分量，同时，输出的复信号的虚部(正交分量)的特征也融合了输入的复信号的频域同相分量和频域正交分量，实现了充分实现多分量信息的共享与交互，相较于现有技术中简单相加、串接等融合方法，其最终输出的复信号具有更多的电磁信号各分量之间的内隐知识和有用信息，为挖掘隐藏在电磁信号各分量之间的内隐知识和有用信息奠定了基础。第三，因为上述方法是对复信号进行处理，而实值信号可以转变成复信号，因此上述方法具有对复信号和实值信号的处理的兼容性，上述方法可以嵌入任意一个处理实值信号的系统或者模型中，以增强该系统或者模型对信号处理的能力，即可以将一个只能处理实值信号的系统或者模型扩张成可以处理实值信号和复信号的系统，增强该系统或者模型对信号处理的能力。
75.通过为了保证实部和虚部的交互，本技术拟构造实部虚部共用核函数，并引入注意力机制和残差连接模块，以保证多分量交互模块各响应之间的交互性，具体的，在获得候选复信号之后，所述方法还包括：通过注意力机制，基于共用核函数调整所述候选复信号，获得调整候选复信号，然后，对所述调整候选复信号和复信号进行残差连接，获得输出复信号。
76.其中，共用核函数是随机初始化。
77.更进一步的，为了提取全局特征，本发明实施例拟引入全局池化单元，并基于通道级离散傅里叶逆变换对多分量交互单元进行处理，实现最终分类，具体为：在获得输出复信号之后，对所述获得复信号进行全局池化处理，然后，对进行全局池化处理后的输出复信号进行离散傅里叶变换，获得分类数据，其次，对分类数据进行分类处理，得到分类信息，最后对分类信息进行归一化处理，得到信号特征提取结果。
78.其中，所述获得频域同相分量和频域正交分量，包括：分别将编码后的同相分量和编码后的正交分量映射到频域中，分别得到频域同相分量和频域正交分量。由时域卷积定理可知，两个信号在时域内卷积相当于在频域内乘积。因此，本技术结合信号的通道特征与空间特征，构造离散傅里叶变换，实现频域变换，分别将编码后的同相分量和编码后的正交分量映射到频域中，分别得到频域同相分量和频域正交分量具体为：通过离散傅里叶变换分别将编码后的同相分量和编码后的正交分量映射到频域中，分别得到频域同相分量和频域正交分量，即通过离散傅里叶变换将编码后的同相分量映射到频域中，得到频域同相分量，通过离散傅里叶变换将编码后的正交分量映射到频域中，得到频域正交分量。
79.可选的，在所述分别将编码后的同相分量和编码后的正交分量映射到频域中之前，所述方法还包括：分别对信号的同相分量和正交分量进行编码。
80.作为一种可选的实施方式，当输入是实值信号时，在分别对信号的同相分量和正交分量进行编码之前，所述方法还包括，通过将实值信号转化成复信号，然后获得复信号的同相分量和正交分量，然后才分别对信号的同相分量和正交分量进行编码。其中，可以通过傅里叶变换将实值信号转化成复信号。
81.通过采用以上方案，本发明核心问题还是解决是非平稳电磁信号多分量特征交互，并实现智能电磁频谱控制与利用，实现对电磁复复信号进行处理，并在此基础上，对复信号的多分量特征进行交互处理(具体的交互处理方式如s101-s105所述的方式)，挖掘隐藏在电磁信号各分量之间的内隐知识和有用信息，最主要还是区别于现有简单相加、串接
等融合方法，充分实现多分量的共享与交互。最重要的参数为交互核函数以及共用核函数，并将现有成熟的注意力机制和残差连接模块引入多分量特征交互建模框架，协助多分量特征交互单元发挥作用。
82.实施例2
83.在本发明实施例中，当需要进行多次循环时，要求多分量特征交互单元有多层，那么在按照上述的方式循环一次以后，即在对所述调整候选复信号和复信号进行残差连接，获得输出复信号之后，所述复信号多分量交互特征信号处理方法还包括：
84.获得多分量特征交互单元的第k-1层的输出的实部和虚部；k为大于1的正整数；当k＝2时，多分量特征交互单元的第k-1层的输出为所述输出复信号；
85.更新第一核函数、第二核函数以及交互核函数；
86.将第k-1层的输出的实部与更新后的第一核函数的乘积输入激活函数中，获得更新第一同相激活分量；将第k-1层的输出的虚部与更新后的第二核函数的乘积输入激活函数中，获得更新第一正交激活分量；
87.将第k-1层的输出的虚部与更新后的第一核函数的乘积输入激活函数中，获得更新第二正交激活分量；将第k-1层的输出的实部与更新后的第二核函数的乘积输入激活函数中，获得更新第二同相激活分量；
88.获得第k层的候选复信号，所述第k层的候选复信号的实部为第k层的候选同相分量，所述第k层的候选复信号的虚部为第k层的候选正交分量；所述第k层的候选同相分量等于更新第二正交激活分量减去更新第二同相激活分量；第k层的候选正交分量等于更新第一同相激活分量减去更新第一正交激活分量；
89.通过注意力机制，基于跟新的共用核函数调整所述第k层的候选复信号，获得调整第k层的候选复信号；
90.对所述调整第k层的候选复信号和第k-1层的输出进行残差连接，获得第k层的输出复信号。
91.然后在获得第k层的输出复信号之后，所述方法还包括：对所述第k层的输出复信号进行全局池化处理；对进行全局池化处理后的输出复信号进行离散傅里叶变换，获得分类数据；对分类数据进行分类处理，得到分类信息；对分类信息进行归一化处理，得到信号特征提取结果。
92.本发明实施例所述的方法，可以应用于现有的用于实值信号的卷积神经网络(现有实值卷积神经网络)中。具体的，可以将本技术所述的方法直接插入现有实值卷积神经网络中的第i层网络，将第i层网络构造成多分量交互层(多分量交互模块)，用以实现本发明实施例提供的复信号多分量交互特征信号处理方法。i＝0,1,2,3，
…
，n，n为任意正整数。
93.为了更加清楚地阐述本发明的技术方案，以将本发明的技术方案插入现有实值卷积神经网络中的第i层网络为例，进行进一步阐述。详见实施例3。
94.实施例3
95.s201：获得第i层网络的频域同相分量re(i)和第i层网络的频域正交分量im(i)。
96.其中，所述频域同相分量re
(i 1)
构成第i层网络复信号的实部，频域正交分量im(i)构成第i层网络复信号的虚部。i＝0,1,2,3，
…
，n，n为任意正整数。
97.若输入的是实值信号，需要先将实值信号转化成复信号，然后提取出复信号的同
相分量i和正交分量q，对同相分量i和正交分量q进行非线性变换，以实现对分别对信号的同相分量i和正交分量q进行编码。
98.作为一种实施例，对同相分量i和正交分量q进行非线性变换如下公式(1)所示：
99.t＝p(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
100.其中，x是任意给定的数据，可以是实值信号，也可以是复值信号，也可以是任意给定的其他的数据，x由和两个部分组成xi表示数据x的实部，xq表示数据x的虚部，n为样本数目，l为数据采样长度，p(x)表示通过非线性变换对x进行非线性变换。
101.可选的，对同相分量i和正交分量q进行非线性变换即对同相分量i进行非线性变换和对正交分量q进行非线性变换，即公式(1)可以拆分成ti＝p(xi),tq＝p(xq)，ti表示编码后的同相分量，tq表示编码后的正交分量。
102.在本发明实施例中，对i/q信号进行编码，是为了丰富电磁信号的特征通道。
103.需要说明的是，在本发明实施例中，对分别对信号的同相分量i和正交分量q进行编码后，分别将编码后的同相分量和编码后的正交分量映射到频域中，分别得到第i层的频域同相分量re(i)和第i层的频域正交分量im(i)，即获得第i层的频域同相分量re(i)和第i层的频域正交分量im(i)，包括：分别将编码后的同相分量和编码后的正交分量映射到频域中，分别得到第i层的频域同相分量re(i)和第i层的频域正交分量im(i)，其中i是0或正整数。
104.分别将编码后的同相分量和编码后的正交分量映射到频域中可以采用离散傅里叶变换来实现，具体公式(2)所示：
[0105][0106]
其中，t(c，l)由tq和tq构成，表示在频域中对t(c，l)进行离散傅里叶变换，ω表示是频域角频率。f(ω)表示在时域中对ω进行傅里叶变换。
[0107]
由时域卷积定理可知，两个信号在时域内卷积相当于在频域内乘积。因此，本技术实施例结合信号的通道特征与空间特征，构造离散傅里叶变换，实现频域变换，即上述公式(2)。
[0108]
s202：获得第i层网络的第一核函数w
1i
、第二核函数w
2i
以及第i层网络的交互核函数wi。
[0109]
其中，所述第i层网络的第一核函数w
1i
为所述第i层网络的交互核函数wi的实部，第二核函数w
2i
的为第i层网络的交互核函数wi的虚部，具体如公式所示：第i层网络的第一核函数w
1i
和第二核函数w
2i
是随机生成的。j是构成虚数的数学表示，称为j算子，通常j＝sqrt(-1)，j算子表示把一个复数逆时针旋转90度。
[0110]
s203：将第i层网络的频域同相分量re(i)与第i层网络的第一核函数w
1i
的乘积输入激活函数中，获得第一同相激活分量，将第i层网络的频域正交分量im(i)与第i层网络第二核函数w
2i
的乘积输入激活函数中，获得第一正交激活分量。
[0111]
s204：将等于第i层网络的频域正交分量im(i)与第i层网络的第一核函数w
1i
的乘积输入激活函数中，获得第二正交激活分量，将第i层网络的频域同相分量re(i)与第i层网络的第二核函数w
2i
之间的乘积输入激活函数中，获得第二同相激活分量。
[0112]
在本发明实施例中，激活函数可以采用relu函数。
[0113]
s205：获得第i层网络的候选复信号其中，获得第i层网络的候选复信号由获得第i层网络的候选同相分量和第i层的候选正交分量
[0114]
具体的，分别由获得第i层网络的候选同相分量和第i层的候选正交分量构成第i层网络的候选复信号的实部和虚部，如公式(3)所示：
[0115]
cr
(1)
＝wi*f(ω)＝re
(i 1)
jim
(i 1)
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0116]
即，所述第i层网络的候选复信号的实部为第i层网络的候选同相分量，所述第i层网络的候选复信号的虚部为第i层网络的候选正交分量
[0117]
其中，所述第i层网络的候选同相分量等于第二正交激活分量减去第二同相激活分量，具体为公式(4)所示：
[0118][0119]
第i层网络的候选正交分量等于第一同相激活分量减去第一正交激活分量，具体为如公式(5)所示：
[0120][0121]
其中，relu为激活函数，可以是任意一种满足上述输入和输出的激活函数。
[0122]
为了保证实部和虚部的交互，本技术构造实部虚部共用核函数并引入注意力机制和残差连接模块，以保证多分量交互模块各响应之间的交互性，具体的，在获得第i层网络的候选复信号之后，所述方法还包括：
[0123]
通过注意力机制，基于共用核函数调整所述第i层网络的候选复信号获得第i层网络的调整候选复信号；对所述第i层网络的调整候选复信号和第i层网络的复信号进行残差连接，获得第i层网络的输出复信号cr
(1)
。具体如公式(6)所示：
[0124][0125]
其中re
(i 1)
表示第i层网络的输出复信号cr
(1)
的实部，im
(i 1)
表示第i层网络的输出复信号cr
(1)
的虚部。
[0126]
在本发明实施例中，若多分量交互单元的深度为k，即多分量交互单元有k层，k为大于1或等于1的正整数。
[0127]
当k＝1时，第i层网络的输出复信号为cr
(1)
，cr
(1)
也表示多分量交互单元的第一层的输出，即通过执行一次上述s201-s205的步骤得到的输出。
[0128]
当k大于1时，第i层网络的输出复信号为cr
(k)
，在这种情况下，按照下述方式获得
第i层网络的输出复信号cr
(k)
：
[0129]
以k＝2为例：
[0130]
以多分量交互单元第一层的输出cr
(1)
作为步骤s203的输入，即执行如公式(2a)所述的方式：
[0131]
f(ω)＝cr
(1)
＝re
(i 1)
im
(i 1)
ꢀꢀ
(2a)
[0132]
然后随机生成新的第一核函数、第二核函数以及交互核函数，表示方式还是但是需要强调的是，第一核函数、第二核函数以及交互核函数的取值已更新。
[0133]
随后，参照步骤s203-s205所述的方案，处理cr
(1)
，具体的参照下述执行公式(3a)、公式(4a)和公式(5a)：
[0134][0135][0136][0137]
其中，表示多分量交互单元有2层时第i层网络的候选复信号，为多分量交互单元有2层时第i层网络的候选同相分量表示多分量交互单元有2层时第i层网络的候选正交分量。
[0138]
同样的重新生成实部虚部的共用核函数引入注意力机制和残差连接模块，以保证多分量交互模块各响应之间的交互性，即通过注意力机制，基于共用核函数调整所述第i层网络的候选复信号获得第i层网络的调整候选复信号；对所述第i层网络的调整候选复信号和第i层网络的复信号进行残差连接，获得第i层网络的输出复信号cr
(1 1)
，具体参照公式(6a)所示的方式得到：
[0139][0140]
通过上述k＝1和k＝2的结果可以推导出，当k大于1时第i层网络的输出复信号cr
(k)
的表示方式如公式(7)所示：
[0141]
cr
(k)
＝cr
(k-1)
(...cr
(1)
)
[0142]
＝re
(i k)
jim
(i k)
[0143]
(7)
[0144]
在本发明实施例中，无论k的取值是任何正整数，按照上述所示的方式获得cr
(k)
后，所述的复信号多分量交互特征信号方法还包括：对所述获得第k层的复信号cr
(k)
进行全局池化处理；对进行全局池化处理后的第k层的复信号cr
(k)
进行离散傅里叶逆变换f-1
(g(cr
(k)
))，获得分类数据；对分类数据进行分类处理，得到分类信息；对分类信息进行归一化处
理，得到信号特征提取结果。具体的，可以按照公式(8)所表示的方式获得：
[0145][0146]
其中，p表示分类信息信号特征提取结果，g为全局池化处理，classifier为分类器，softmax为归一化指数函数，f-1
(g(cr
(k)
))表示对进行全局赤化处理得到的数据g(cr
(k)
)进行离散傅里叶逆变换。
[0147]
实施例4
[0148]
基于上述实施例，本技术采用公式符号对实施例2进行进步一的阐述。当多分量特征交互单元有多层，所述方法包括：
[0149]
s301：获得多分量特征交互单元的第k-1层的输出的实部和虚部。
[0150]
k为大于1的正整数；当k＝2时，多分量特征交互单元的第k-1层的输出为所述输出复信号。
[0151]
s302：更新第一核函数、第二核函数以及交互核函数。
[0152]
s303：将第k-1层的输出的实部与更新后的第一核函数的乘积输入激活函数中，获得更新第一同相激活分量；将第k-1层的输出的虚部与更新后的第二核函数的乘积输入激活函数中，获得更新第一正交激活分量。
[0153]
s304：将第k-1层的输出的虚部与更新后的第一核函数的乘积输入激活函数中，获得更新第二正交激活分量；将第k-1层的输出的实部与更新后的第二核函数的乘积输入激活函数中，获得更新第二同相激活分量。
[0154]
s305：获得第k层的候选复信号，所述第k层的候选复信号的实部为第k层的候选同相分量，所述第k层的候选复信号的虚部为第k层的候选正交分量；所述第k层的候选同相分量等于更新第二正交激活分量减去更新第二同相激活分量；第k层的候选正交分量等于更新第一同相激活分量减去更新第一正交激活分量。
[0155]
上述步骤s301-s305所述的方式，具体请结合公式(3b)、公式(4b)、公式(5b)进行理解：
[0156][0157]
其中，m为多分量特征交互单元的总层数。
[0158][0159][0160]
其中，表示多分量交互单元在第k层时第i层网络的候选复信号，为多分量交互单元在第k层时第i层网络的候选同相分量，表示多分量交互单元在第k层时第i层网络的候选正交分量。
[0161]
同样的重新生成实部虚部的共用核函数引入注意力机制和残差连接模块，以保证多分量交互模块各响应之间的交互性，即通过注意力机制，基于共用核函数调整所述
第i层网络的候选复信号(第k层的候选复信号)，获得第i层网络的调整候选复信号(调整第k层的候选复信号)；对所述第i层网络的调整候选复信号和上一层的输出进行残差连接，获得第i层网络的输出复信号cr
(k)
(调整第k层的候选复信号)，即通过注意力机制，基于跟新的共用核函数调整所述第k层的候选复信号，获得调整第k层的候选复信号；对所述调整第k层的候选复信号和第k-1层的输出进行残差连接，获得第k层的输出复信号。具体参照公式(6b)所示的方式得到：
[0162][0163]
当k大于1时第i层网络的输出复信号cr
(k)
的表示方式如公式(7b)所示：
[0164][0165]
然后在获得第k层的输出复信号之后，所述方法还包括：对所述第k层的输出复信号进行全局池化处理；对进行全局池化处理后的输出复信号进行离散傅里叶变换，获得分类数据；对分类数据进行分类处理，得到分类信息；对分类信息进行归一化处理，得到信号特征提取结果。
[0166]
本发明实施例所述的方法，可以应用于现有的用于实值信号的卷积神经网络(现有实值卷积神经网络)中。具体的，可以将本技术所述的方法直接插入现有实值卷积神经网络中的第i层网络，将第i层网络构造成多分量交互层(多分量交互模块)，用以实现本发明实施例提供的复信号多分量交互特征信号处理方法。i＝0,1,2,3，
…
，n，n为任意正整数。
[0167]
基于上述的复信号多分量交互特征信号处理方法，本发明实施例提出了一种复信号多分量交互特征信号处理模型，请结合图1，所述模型包括预处理单元、多分量特征交互单元和后处理单元。
[0168]
其中所述预处理单元，包括非线性变换子单元和离散傅里叶变换子单元，用于分别对信号的同相分量和正交分量进行编码；分别将编码后的同相分量和编码后的正交分量映射到频域中，分别得到频域同相分量和频域正交分量。
[0169]
多分量特征交互单元用于实现复信号的实部和虚部的信息交出处理，多分量特征交互单元包括一层或者多层，所述多分量特征交互单元具体用于：获得频域同相分量和频域正交分量；其中，所述频域同相分量构成复信号的实部，频域正交分量构成复信号的虚部；获得第一核函数、第二核函数以及交互核函数；所述第一核函数为所述交互核函数的实部，第二核函数为交互核函数的虚部；将频域同相分量与第一核函数的乘积输入激活函数中，获得第一同相激活分量；将频域正交分量与第二核函数的乘积输入激活函数中，获得第一正交激活分量；将频域正交分量与第一核函数的乘积输入激活函数中，获得第二正交激活分量；将频域同相分量与第二核函数的乘积输入激活函数中，获得第二同相激活分量；获得候选同相分量和候选正交分量；所述候选同相分量等于第二正交激活分量减去第二同相激活分量；候选正交分量等于第一同相激活分量减去第一正交激活分量；获得候选复信号，所述候选复信号的实部为候选同相分量，所述候选复信号的虚部为候选正交分量。通过注
意力机制，基于共用核函数调整所述候选复信号，获得调整候选复信号；对所述调整候选复信号和复信号进行残差连接，获得输出复信号。
[0170]
当多分量特征交互单元包括多层时，所述多分量特征交互单元还用于:获得多分量特征交互单元的第k-1层的输出的实部和虚部；k为大于1的正整数；当k＝2时，多分量特征交互单元的第k-1层的输出为所述输出复信号；更新第一核函数、第二核函数以及交互核函数；将第k-1层的输出的实部与更新后的第一核函数的乘积输入激活函数中，获得更新第一同相激活分量；将第k-1层的输出的虚部与更新后的第二核函数的乘积输入激活函数中，获得更新第一正交激活分量；将第k-1层的输出的虚部与更新后的第一核函数的乘积输入激活函数中，获得更新第二正交激活分量；将第k-1层的输出的实部与更新后的第二核函数的乘积输入激活函数中，获得更新第二同相激活分量；获得第k层的候选复信号，所述第k层的候选复信号的实部为第k层的候选同相分量，所述第k层的候选复信号的虚部为第k层的候选正交分量；所述第k层的候选同相分量等于更新第二正交激活分量减去更新第二同相激活分量；第k层的候选正交分量等于更新第一同相激活分量减去更新第一正交激活分量；通过注意力机制，基于跟新的共用核函数调整所述第k层的候选复信号，获得调整第k层的候选复信号；对所述调整第k层的候选复信号和第k-1层的输出进行残差连接，获得第k层的输出复信号。
[0171]
所述后处理单元用于对所述输出复信号进行全局池化处理；对进行全局池化处理后的输出复信号进行离散傅里叶变换，获得分类数据；对分类数据进行分类处理，得到分类信息；对分类信息进行归一化处理，得到信号特征提取结果。
[0172]
其中，后处理单元包括离散傅里叶逆变换1子单元、离散傅里叶变换2子单元和分类器。
[0173]
综上，本技术在实值卷积模块的基础上，提出处理实信号和复信号的复值模块，以兼容实值神经网络，并在此基础上，构建多分量交互神经网络，有效处理复信号，具体框架如图1所示。
[0174]
就发明本身而言，复杂电磁环境下的电磁信号多分量可辨识特征分析是当前电子对抗领域最为前沿的研究方向之一。深度神经网络及信号识别等理论在信号挖掘方面呈现了良好的特征建模和表示能力，为电磁信号可辨识特征分析提供了相应的理论基础和技术支撑，而军事及民用领域中对信号的应用需求也为本技术的研究提供了现实的需求背景。例如，无线电监测与频谱管理、无线电干扰分析，解决频谱资源的非法使用、强行侵占、有意干扰、秘密窃取等问题；另外，可以对无人机、非法电台等新型威胁目标进行实时监测和分析。可以看出，该发明所涉及的关键问题是当前应用数学，特别是谐波分析领域的热点，也是信号处理领域的前沿方向。本发明各模块之间并不是完全独立的，它们的理论基础和解决的问题都存在于一定的重合之处。其核心问题还是解决是非平稳电磁信号多分量特征交互，并实现智能电磁频谱控制与利用。因此，本项目既具有理论上的前瞻性和创新性，又具有实际需求上的现实意义和广阔应用前景。
[0175]
本发明主要通过构建多分量特征交互单元，处理电磁复复信号，并在此基础上，构建复信号多分量交互特征建模框架，挖掘隐藏在电磁信号各分量之间的内隐知识和有用信息，最主要还是区别于现有简单相加、串接等融合方法，充分实现多分量的共享与交互。最重要的参数为交互核函数以及共用核函数。并将现有成熟的注意力机制和残差连接模块引
入多分量特征交互建模框架，协助多分量特征交互单元发挥作用。
[0176]
关于上述实施例中的模型，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0177]
本发明实施例还提供了一种复信号多分量交互特征信号处理系统，如图2所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述复信号多分量交互特征信号处理方法的任一方法的步骤。
[0178]
其中，在图2中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
[0179]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述复信号多分量交互特征信号处理方法的任一方法的步骤。
[0180]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0181]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0182]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0183]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代
替。
[0184]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0185]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。