一种通信干扰信号的智能识别方法、装置及介质

技术特征：
1.一种通信干扰信号的智能识别方法，其特征在于，所述方法包括：将获取到的通信干扰信号的频谱数据划分训练集和验证集；利用能够进行置信分数估计和识别概率计算的深度卷积神经网络dcnn构建通信干扰信号的识别模型；利用所述训练集对所述识别模型进行训练；将训练完毕的所述识别模型对所述验证集进行识别，并根据识别结果中关于所述验证集的数据置信分数的分布，设置用于判定未知干扰信号的判定阈值；将训练完毕的所述识别模型对待识别的通信干扰信号进行识别，获得所述待识别的通信干扰信号的置信分数和概率分布；相应于所述待识别的通信干扰信号的置信分数小于所述判定阈值，则确定所述待识别的通信干扰信号为未知干扰；否则，将所述待识别通信干扰信号判定为概率最高的通信干扰信号。2.根据权利要求1所述的方法，其特征在于，所述将获取到的通信干扰信号的频谱数据划分训练集和验证集，包括：采集所述获取到的通信干扰信号的i通道和q通道的数据；将所述i通道和q通道的数据进行离散傅里叶变换获得所述获取到的通信干扰信号的频谱数据；将所述获取到的通信干扰信号的频谱数据中的每种类型的通信干扰信号数据集随机抽取80％的数据作为所述训练集，并将剩余的20％的数据作为所述验证集。3.根据权利要求1所述的方法，其特征在于，所述利用能够进行置信分数估计和识别概率计算的dcnn构建通信干扰信号的识别模型，包括：基于识别需求确定所述dcnn的输入输出层的节点、卷积层层数、卷积核数、激活函数、池化层数以及全连接层数并进行初始化；将所述dcnn划分为提取特征部分、特征整合部分和结果处理部分；其中，所述提取特征部分包括卷积层和池化层；所述特征整合部分包括两个全连接层；所述结果处理部分包括两个全连接层且两个所述全连接层分别对所述特征整合部分输出的结果进行处理以得到待识别干扰信号在各已知干扰信号上的匹配概率和对待识别干扰信号识别的置信分数。4.根据权利要求3所述的方法，其特征在于，所述提取特征部分共13层，输入层节点数为150528，输出层节点数为25088，卷积层层数为8，池化层层数为5；所述特征整合部分的两个全连接层的神经元数目分别为25088和512的两个全连接层；所述结果处理部分的两个全连接层的神经元数目均为128。5.根据权利要求3所述的方法，其特征在于，所述结果处理部分包括置信分数估计单元和识别概率计算单元；其中，每个单元均对应一全连接层；所述识别概率计算单元用于将所述特征整合部分输出的结果通过对应的全连接层和softmax层后得到待识别干扰信号识别为各已知干扰信号的概率；所述置信分数估计单元用于将所述特征整合部分输出的结果通过对应的全连接层后得到所述待识别干扰信号的识别概率的结果的可靠程度，再将所述可靠程度经sigmoid激活函数处理得到0到1之间的数字，作为待识别干扰信号的置信分数。6.根据权利要求5所述的方法，其特征在于，所述利用所述训练集对所述识别模型进行训练，包括：
对训练数据采取批处理方式，设置每次从所述训练集中输入至所述识别模型的数据数量；将数据采样方式设置为随机采样；基于下式定义识别概率计算的任务损失e
p
和置信分数估计的置信估计损失e
c
：其中，p
′
i
＝c
×
p
i
(1-c)y
i
表示修正后的通信干扰信号识别概率，p
i
表示经过所述识别模型中识别概率计算单元获得的原始预测的通信干扰信号识别概率，y
i
表示目标概率分布，m表示已知通信干扰信号种类个数，c为所述识别模型中置信分数估计单元输出的置信分数；根据所述识别概率计算的任务损失e
p
和置信分数估计的置信估计损失e
c
按照下式确定所述识别模型的损失函数e：e＝e
p
λe
c
其中，引入预算超参数β表示所述识别模型所允许的置信损失；引入超参数λ用于平衡所述任务损失和所述置信估计损失，且λ在所述模型中动态变化，当e
c
＞β时增大λ，当e
c
＜β时减小λ；在经过随机采样的数据集中按照设置的参数抽取数据输入到所述dcnn中，并基于设定的sdg优化算法按照设定的迭代次数进行训练，获得保存训练完毕的通信干扰信号的识别模型。7.一种通信干扰信号的智能识别装置，其特征在于，所述智能识别装置包括：划分部分、构建部分、训练部分、设置部分和识别部分：其中，所述划分部分，经配置为将获取到的通信干扰信号的频谱数据划分训练集和验证集；所述构建部分，经配置为利用能够进行置信分数估计和识别概率计算的深度卷积神经网络dcnn构建通信干扰信号的识别模型；所述训练部分，经配置为利用所述训练集对所述识别模型进行训练；所述设置部分，经配置为将训练完毕的所述识别模型对所述验证集进行识别，并根据识别结果中关于所述验证集的数据置信分数的分布，设置用于判定未知干扰信号的判定阈值；所述识别部分，经配置为将训练完毕的所述识别模型对待识别的通信干扰信号进行识别，获得所述待识别的通信干扰信号的置信分数和概率分布；以及，相应于所述待识别的通信干扰信号的置信分数小于所述判定阈值，则确定所述待识别的通信干扰信号为未知干扰；否则，将所述待识别通信干扰信号判定为概率最高的通信干扰信号。8.根据权利要求7所述的智能识别装置，其特征在于，所述构建部分，经配置为：基于识别需求确定所述dcnn的输入输出层的节点、卷积层层数、卷积核数、激活函数、池化层数以及全连接层数并进行初始化；将所述dcnn划分为提取特征部分、特征整合部分和结果处理部分；其中，所述提取特征部分包括卷积层和池化层；所述特征整合部分包括两个全连接层；所述结果处理部分包括
两个全连接层且两个所述全连接层分别对所述特征整合部分输出的结果进行处理以得到待识别干扰信号在各已知干扰信号上的匹配概率和对待识别干扰信号识别的置信分数。9.根据权利要求8所述的智能识别装置，其特征在于，所述训练部分，经配置为：对训练数据采取批处理方式，设置每次从所述训练集中输入至所述识别模型的数据数量；将数据采样方式设置为随机采样；基于下式定义识别概率计算的任务损失e
p
和置信分数估计的置信估计损失e
c
：其中，p
′
i
＝c
×
p
i
(1-c)y
i
表示修正后的通信干扰信号识别概率，p
i
表示经过所述识别模型中识别概率计算单元获得的原始预测的通信干扰信号识别概率，y
i
表示目标概率分布，m表示已知通信干扰信号种类个数，c为所述识别模型中置信分数估计单元输出的置信分数；根据所述识别概率计算的任务损失e
p
和置信分数估计的置信估计损失e
c
按照下式确定所述识别模型的损失函数e：e＝e
p
λe
c
其中，引入预算超参数β表示所述识别模型所允许的置信损失；引入超参数λ用于平衡所述任务损失和所述置信估计损失，且λ在所述模型中动态变化，当e
c
＞β时增大λ，当e
c
＜β时减小λ；在经过随机采样的数据集中按照设置的参数抽取数据输入到所述dcnn中，并基于设定的sdg优化算法按照设定的迭代次数进行训练，获得保存训练完毕的通信干扰信号的识别模型。10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有通信干扰信号的智能识别程序，所述通信干扰信号的智能识别程序被至少一个处理器执行时实现权利要求1至6任一项所述通信干扰信号的智能识别方法步骤。

技术总结
本发明实施例公开了一种通信干扰信号的智能识别方法、装置及介质，该方法包括：将获取到的通信干扰信号的频谱数据划分训练集和验证集；利用能够进行置信分数估计和识别概率计算的DCNN构建通信干扰信号的识别模型；利用训练集对识别模型进行训练；将训练完毕的识别模型对验证集进行识别，并根据识别结果中关于验证集的数据置信分数的分布，设置用于判定未知干扰信号的判定阈值；将训练完毕的识别模型对待识别的通信干扰信号进行识别，获得待识别的通信干扰信号的置信分数和概率分布；相应于待识别的通信干扰信号的置信分数小于判定阈值，则确定待识别的通信干扰信号为未知干扰；否则，将待识别通信干扰信号判定为概率最高的通信干扰信号。信干扰信号。信干扰信号。


技术研发人员：关磊 王小豪 司江勃 李赞 许睿 惠佩 王浩 杨迪丹 付杭 高文栋
受保护的技术使用者：西安电子科技大学
技术研发日：2022.02.28
技术公布日：2022/5/31