一种面向I/Q信号识别的半监督宽度学习方法及装置与流程

一种面向i/q信号识别的半监督宽度学习方法及装置
技术领域
1.本发明属于信号识别技术应用领域，具体涉及一种面向i/q信号识别的半监督宽度学习方法及装置。


背景技术：

2.随着无线通信技术的不断发展，雷达、无人机和传感器等发射器的种类和数量不断增加，这使得电磁环境更加复杂。因此，在非合作场景下识别和分析接收到的i/q信号具有重要意义。近年来，深度学习（deep learning，dl）作为自然语言处理、计算机视觉和语音识别领域的一种强大且有效的解决方案，在半监督i/q信号识别领域也取得了许多成就，主要包括：（1）基于伪标签的i/q信号识别方法，它首先采用有标签的i/q数据进行特征提取并训练分类器，然后通过对无标签数据进行预测后与标签数据一同进行特征提取。但该方法建立在一个很高精度的基准模型之上，但当基准模型精度不能够达到要求时，则识别性能不佳。（2）采用生成对抗网络，有效利用少量标签数据和大量未标签数据，通过两个基础网络间的交替对抗训练，更好地学习不同分布域的i/q信号特征，从而达到比仅用标签数据更好的识别效果。但该方法通常需要较大的计算资源和较长的训练时间。
3.为了解决上述问题，本文提出了一种面向i/q信号识别的复数半监督宽度学习方法。相较于深度学习，其结扁平形的设计可以避免过量的冗余节点，降低了需要计算的参数量。此外，它还进一步考虑了以复数形式表征的i/q信号，通过设计实特征节点和虚特征节点以有效的提取i载波和q载波之间的互耦信息。经过分析验证，本文提出的一种面向i/q信号识别的复数半监督宽度学习方法在数据集规模较小时在识别精度和训练时间方面都更有优势。


技术实现要素：

4.本发明的目的在于针对现有技术的不足，提供一种面向i/q信号识别的半监督宽度学习方法及装置。
5.本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种面向i/q信号识别的半监督宽度学习方法，包括以下步骤：（1）对场景中采集到的i/q信号以复数形式进行表征，并随机选取部分数据进行标注，构建半监督i/q信号数据集作为模型输入；（2）构建实特征节点和虚特征节点，所述实特征节点和所述虚特征节点分别映射所述半监督i/q信号数据集中的实部特征和虚部特征，采用特征节点构建增强节点，以表征所述特征节点的实部和虚部的融合特征；（3）采用流形正则化构建损失函数，以将i/q信号的标签信息从标签数据中传播到无标签数据中；（4）将所述特征节点与所述增强节点直接与输出层相连，以构建权重矩阵，并结合所述步骤（3）中的损失函数构建权重系数的求解方程。
6.进一步地，所述步骤（1）中的i/q信号为双通道信号，所述i/q信号由i载波和q载波组成，通过将所述i载波旋转90度以获得所述q载波；所述i载波的表达式为：所述q载波的表达式为：其中，a表示振幅，代表频率，u代表采样点。
7.进一步地，对所述i/q信号数据集中的部分数据进行标注，构建带标签的i/q信号数据集以及无标签的i/q信号数据集；所述模型输入的i/q信号数据的实部和虚部均由带标签样本和对应的标签以及无标签样本三部分组成。
8.进一步地，所述步骤（2）包括以下子步骤：（2.1）将处理后的所述半监督i/q信号数据集表示为，作为模型输入，其实部和虚部分别表示为和；第c对所述实特征节点和所述虚特征节点的表达式分别为：；第c对所述实特征节点和所述虚特征节点的表达式分别为：其中，和分别表示实特征节点的权重和偏置，和分别表示虚特征节点的权重和偏置，为激活函数；根据所述实特征节点和虚特征节点，构建实特征节点集和虚特征节点集，将所述实特征节点集表示为，将所述虚特征节点集表示为；（2.2）将所述实特征节点集和所述虚特征节点集合并，以得到特征节点集，并构建增强节点；所述特征节点集表示为；第个所述增强节点的表达式为：其中，和代表增强节点的权重和偏置，为激活函数；根据所述增强节点，构建增强节点集，将所述增强节点集表示为；（2.3）将所述实特征节点集、虚特征节点集和增强节点集合并，以得到节点集，所述节点集表示为，对节点集与权重矩阵求积以得到模型的输出，所述模型的输出表示为。
9.进一步地，所述步骤（3）包括以下子步骤：（3.1）所述i/q信号数据集满足平滑度假设，使用流形正则化对无标签样本的无标签数据进行预测；（3.2）根据所述i/q信号数据集的形状约束提取数据的高维特征，并判断数据的模式之间的相似性；通过选取与无标签样本的相似性值中最高的标签样本对其标签进行预测，以得出两个样本和对应的模型输出和，根据模型输出和以及两个样本
和之间的成对相似度得出模型的损失函数；（3.3）构建拉普拉斯矩阵表征信号的特征，拉普拉斯矩阵的表达式为：其中，l是信号特征的拉普拉斯矩阵，d是对角矩阵，其对角元素为，k是所有样本的成对相似性矩阵；（3.4）将所述步骤（3.2）得到的损失函数简化为：其中，表示损失函数，是矩阵的迹，为预测的样本标签；根据简化的损失函数将i/q信号的标签信息从标签数据中传播到无标签数据中。
10.进一步地，所述i/q信号数据集满足平滑度假设，具体为：带标签数据集和无标签数据集满足同一边缘分布；当两个样本和在高密度区域中接近，则认定二者条件概率和近似相等，两个样本属于同一标签类别。
11.进一步地，所述成对相似度通过热核函数计算得出，其表达式为：其中，为样本和之间的成对相似度，是样本x的t近邻的集合。
12.进一步地，所述步骤（4）包括以下子步骤：（4.1）采用所述步骤（2）得到样本的模型输出，根据所述模型输出和真实标签以得到预测标签与真实标签之间的误差，所述误差的表达式为：其中，代表预测的标签，代表真实的标签，代表样本映射后得到的节点集合，为网络的权重矩阵，代表第i个样本预测标签与真实标签之间的误差；（4.2）所述误差为最小值时，对应的权重矩阵为模型的最优解；（4.3）在半监督场景下，将所述步骤（4.2）中的误差结合流形正则化公式做进一步处理，表示为：其中，是a的转置矩阵，c是由标签样本和无标签样本构成的对角矩阵；l是所述步骤（3）中得到的拉普拉斯矩阵，和是两个补偿系数；以得到最优的网络的权重矩阵。
13.本发明实施例第二方面提供了一种面向i/q信号识别的半监督宽度学习装置，包
括一个或多个处理器，用于实现上述的面向i/q信号识别的半监督宽度学习方法。
14.本发明实施例第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述的面向i/q信号识别的半监督宽度学习方法。
15.本发明的有益效果是，本发明将两通道的i/q信号以复数形式表征，并将其中少部分数据进行标注，其余数据不做标注处理；构建实特征映射节点和虚特征映射节点提取i/q信号的实部特征和虚部特征；构建增强节点融合实虚特征节点映射的单一载波特征，并进一步增强特征提取能力；将特征节点和增强节点合并后直接与输出层相连得到宽度网络的权重矩阵；采用热核函数估计相邻两i/q信号样本之间的相似度；根据所有样本的相似度构建拉普拉斯矩阵映射i/q信号样本特征；采用流形正则化构建损失函数预测无标签i/q信号的类型；将构建的损失函数带入到宽度网络的权重矩阵中求解从而完成模型的构建。本发明解决了传统宽度学习仅支持带标签且仅支持实数域的数据集的问题，进一步扩展了基于宽度学习的识别模型的适用范围；提出的复数半监督宽度学习方法不仅能够从无标签数据中提取i/q信号特征，还能有效的学习i载波与q载波之间的互耦信息以进一步提高i/q信号的识别率。
附图说明
16.图1本发明的流程示意图；图2为本发明面向i/q信号识别的半监督宽度学习装置的一种结构示意图。
具体实施方式
17.下面根据图1-图2详细说明本发明。
18.为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
19.本发明中的面向i/q信号识别的复数半监督宽度学习方法，具体包括如下步骤：（1）对场景中采集到的i/q信号以复数形式进行表征，并随机选取部分数据，对部分数据进行标注，构建半监督i/q信号数据集作为模型输入。
20.其中，i/q信号为双通道信号，i/q信号由i载波和q载波组成，通过将i载波旋转90度以获得所述q载波。
21.i载波的表达式为：q载波的表达式为：其中，a表示振幅，代表频率，u代表采样点。
22.对i/q信号数据集中的部分数据进行标注，构建带标签的i/q信号数据集，表示为，其中，代表带标签的i/q数据，为对应的标签，n代表标签样本的数量。
23.i/q信号数据集中未标注的数据即为无标签的i/q信号数据集，表示为，其中，代表无标签的i/q数据，m代表无标签样本的数量。
24.综上，作为模型输入的i/q信号数据的实部和虚部分别可以表示为：其中，和是输入数据集的实部和虚部，分别对应i/q信号的i载波和q载波，它们均是由无标签样本，带标签样本和对应的标签三部分组成。
25.（2）构建实特征节点和虚特征节点，实特征节点和虚特征节点分别映射半监督i/q信号数据集中的实部特征和虚部特征，采用特征节点构建增强节点，以表征特征节点的实部和虚部的融合特征。
26.（2.1）将定处理后的半监督i/q信号数据集表示为，作为模型输入，其实部和虚部分别为和。
27.需要说明的是，模型的输出为y，其空间域为，其中，代表域，n代表数据集中样本的个数，c代表需要识别的信号总数。
28.第c对实特征节点和虚特征节点的表达式分别为：其中，和分别表示实特征节点的权重和偏置，和分别表示虚特征节点的权重和偏置，为激活函数。
29.应当理解的是，、、和均是以随机的方式产生的，可以为sigmoid线性激活函数，也可以为其他类型的激活函数。
30.根据实特征节点和虚特征节点，构建实特征节点集和虚特征节点集，将实特征节点集表示为，将虚特征节点集表示为，其表达式分别为和。
31.需要说明的是，实部数据生成一组特征节点，虚部生成另外一组特征节点，两组特征节点均是独立的，分别称为实特征节点和虚特征节点。
32.（2.2）将实特征节点集和虚特征节点集合并，据此可以得到特征节点集，特征节点集表示为；为了进一步表i载波和q载波的融合特征，需要构建增强节点，第个所述增强节点的表达式为：其中，和代表增强节点的权重和偏置，为激活函数。
33.应当理解的是，和同样均是以随机的方式产生的权重和偏置，可以为sigmoid线性激活函数，也可以为其他类型的激活函数。这里需要注意的是，根据信号的特征不同，可以选择不同类型的激活函数，例如tanh，relu等。此外，和可以为不同类型的激活函数，也可以为相同类型的激活函数。例如，为sigmoid线性激活函数时发生了训练饱和问题，可以将设置为relu以缓解该问题。
34.通过这种方式，根据增强节点，可以构建增强节点集，将增强节点集表示为。
35.（2.3）将实特征节点集、虚特征节点集和增强节点集合并，可以得到节点集，将节点集表示为，对节点集与权重矩阵求积以得到模型的输出，将模型的输出表示为。其中，节点集具体可表示为：综上，本发明构建模型的预测输出可以表示为节点集与权重矩阵相乘，具体为：（3）采用流形正则化构建损失函数，以将i/q信号的标签信息从标签数据中传播到无标签数据中。
36.应当理解的是，流形正则化是一个从已标记样本和未标记样本中学习的几何框架。
37.（3.1）在使用流型正则化对无标签数据进行预测时，i/q信号数据集必须先满足平滑度假设。
38.平滑度假设具体为：标签数据集和无标签数据集满足同一边缘分布；当两个样本和在高密度区域中非常接近，则认定它们条件概率和近似相等，两个样本属于同一标签类别。
39.如图1所示，这是一个并行操作，输入的数据会分别经过两条路径。路径1是构建宽度网络的特征节点和增强节点。路径2就是本步骤，输入数据经过流形正则化框架将通过标签数据预测无标签数据的标签。最后两条路径汇合，共同构建权重矩阵，完成整体架构的搭建。这里的平滑度假设条件其实就是流形正则化的充要条件，换句话说，也就是该方法仅对部分数据场景有效，也就是满足该平滑度假设条件的场景。所以满足该平滑度假设，本文模型才能建立，满足不了就无法使用文本模型。
40.（3.2）根据i/q信号数据集的形状约束提取数据的高维特征，并判断数据的模式之间的相似性；通过选取与无标签样本的相似性值中最高的标签样本对其标签进行预测，以得出两个样本和对应的模型输出和，根据模型输出和以及两个样本和之间的成对相似度得出模型的损失函数。
41.其中，形状约束指的是i/q信号数据分布的几何形状。该流形正则化过程可以转换为对最小化损失函数过程的求解，根据任意两个数据样本之间的成对相似度构建损失函数，损失函数的表达式为：
其中，代表损失函数，n和m分别代表带标签样本的数量和无标签样本的数量，为样本和之间的成对相似度，和为对应的模型的输出。
42.另外，成对相似度可以通过热核函数计算，其表达式为：其中，为样本和之间的成对相似度，是样本x的t近邻的集合。
43.（3.3）构建拉普拉斯矩阵表征信号的特征，拉普拉斯矩阵的表达式为：其中，l是信号特征的拉普拉斯矩阵，d是对角矩阵，其对角元素为，k是所有样本的成对相似性矩阵。
44.（3.4）将步骤（3.2）得到的损失函数简化为：其中，表示损失函数，是矩阵的迹，为预测的样本标签。
45.然后根据简化的损失函数将i/q信号的标签信息从带标签数据中传播到无标签数据中。
46.（4）将特征节点与增强节点直接与输出层相连，以构建权重矩阵，并结合步骤（3）中的损失函数构建权重系数的求解方程。
47.（4.1）对于样本，采用步骤（2）得到样本的的模型输出，根据模型输出和真实标签的差值可以得到预测标签与真实标签之间的误差，误差的表达式为：其中，代表预测的标签，代表真实的标签，代表样本映射后得到的节点集合，为网络的权重矩阵，代表第i个样本预测标签与真实标签之间的误差。
48.（4.2）当误差最小时，对应的权重矩阵变为模型的最优解，权重模型最优化公式为：其中，是网络的权重矩阵，代表权重的约束系数，n是标签样本的数量。上述公式描述了在监督环境下，宽度学习的权重模型最优化公式。
49.（4.3）在半监督场景下，将所述步骤（4.2）中的误差结合流形正则化公式做进一步处理，表示为：
其中，是a的转置矩阵，c是由标签样本和无标签样本构成的对角矩阵，l是步骤（3）中得到的拉普拉斯矩阵，和是两个补偿系数。
50.所以网络的权重矩阵可以表示为：至此，根据上述公式，通过标签数据和无标签数据可以得到网络的权重矩阵，从而完成识别模型的构建。
51.本发明通过将两通道的i/q信号以复数形式表征，并将其中少部分数据进行标注，其余数据不做标注处理；构建实特征映射节点和虚特征映射节点提取i/q信号的实部特征和虚部特征；构建增强节点融合实虚特征节点映射的单一载波特征，并进一步增强特征提取能力；将特征节点和增强节点合并后直接与输出层相连得到宽度网络的权重矩阵；采用热核函数估计相邻两i/q信号样本之间的相似度；根据所有样本的相似度构建拉普拉斯矩阵映射i/q信号样本特征；采用流形正则化构建损失函数预测无标签i/q信号的类型；将构建的损失函数带入到宽度网络的权重矩阵中求解从而完成模型的构建。不仅解决了传统宽度学习仅支持带标签且仅支持实数域的数据集的问题，进一步扩展了基于宽度学习的识别模型的适用范围；提出的复数半监督宽度学习方法不仅能够从无标签数据中提取i/q信号特征，同时还能有效的学习i载波与q载波之间的互耦信息，从而有助于进一步提高i/q信号的识别率。
52.与前述面向i/q信号识别的半监督宽度学习方法的实施例相对应，本发明还提供了面向i/q信号识别的半监督宽度学习装置的实施例。
53.参见图2，本发明实施例提供的一种面向i/q信号识别的半监督宽度学习装置，包括一个或多个处理器，用于实现上述实施例中的面向i/q信号识别的半监督宽度学习方法。
54.本发明面向i/q信号识别的半监督宽度学习装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图2所示，为本发明面向i/q信号识别的半监督宽度学习装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
55.上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
56.对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的
需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
57.本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的面向i/q信号识别的半监督宽度学习方法。
58.所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡（smart media card，smc）、sd卡、闪存卡（flash card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
59.由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。