[發明專利]基于圖卷積模型的信號分類方法

在審

• 申請號: 202010323837.5
• 申請日: 2020-04-22
• 公開（公告）號: CN111507293A
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 陳晉音;李玉瑋;賈澄鈺;林翔
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 曹兆霞

1.一種基于圖卷積模型的信號分類方法，其特征在于，所述信號分類方法包括以下步驟：

(1)采集一定時間序列長度的調制信號，并對所述調制信號進行預處理，獲得多維調制信號數據；

(2)利用訓練好的長短期記憶網絡提取所述多維調制信號數據的特征，以保證當前時刻特征與之前時刻調制信號數據相關；

(3)利用提取的特征構建信號的圖結構表示信息；

(4)以信號的圖結構表示信息和所述多維調制信號數據作為訓練好的圖卷積網絡的輸入數據，利用圖卷積網絡提取輸入數據的特征；

(5)利用訓練好的全連接網絡對所述輸入數據的特征進行分類，獲得信號分類結果。

2.如權利要求1所述的基于圖卷積模型的信號分類方法，其特征在于，步驟(1)中，

對所述調制信號進行同相正交分量分解，以實現對調制信號的預處理，分解結果即為多維調制信號數據。

3.如權利要求1所述的基于圖卷積模型的信號分類方法，其特征在于，步驟(2)中，通過保存前一時刻的網絡狀態來計算前一時刻的網絡狀態對當前時刻提取特征的影響程度，以保證系統的因果關系，具體利用訓練好的長短期記憶網絡提取所述多維調制信號數據的特征包括：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中，x_t表示信號t時刻的輸入數據，h_t-1表示信號t-1時刻的輸出特征，[,]表示級聯，σ(·)和tanh(·)表示激活函數，保證網絡的非線性，W和b表示需要訓練的參數權重，W_f和b_f分別表示LSTM遺忘門的參數，f_t是一個0-1之間的向量，表示上一個時刻網絡狀態C_t-1對當前時刻提取特征的關聯程度，0表示無關聯，1表示關聯程度的最大值，i_t表示當前t時刻的輸入數據對特征的影響程度，W_i和b_i分別表示輸入門的參數，表示當前時刻網絡狀態的初始值，W_C和b_C分別表示計算狀態的參數，C_t表示當前時刻網絡的狀態，o_t表示輸出當前時刻特征的激活概率，W_o和b_o分別表示輸出門的參數h_t表示當前時刻信號的輸出特征。

4.如權利要求1所述的基于圖卷積模型的信號分類方法，其特征在于，步驟(3)中，根據LSTM提取的特征H∈R^T×d構建信號的圖結構表示信息及其鄰接矩陣A∈R^T×T，首先對每個時刻特征進行歸一化，再計算兩兩時刻特征之間的相似度，其計算公式為：

A＝H′H′^T

其中，H′^T表示H′特征的轉置，A表示信號圖結構的鄰接矩陣，節點表示信號的各個時刻，連邊表示兩個時刻之間特征的相似性，相似性越高，存在連邊的可能性越大。