[發(fā)明專利]一種電磁信號智能協(xié)同識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010632562.3
• 申請日: 2020-07-03
• 公開（公告）號: CN111967309A
• 公開（公告）日: 2020-11-20
• 發(fā)明（設(shè)計）人: 劉明騫;楊珂;唐懷玉;郭蘭圖;李旭;宮豐奎;葛建華
• 申請（專利權(quán)）人: 西安電子科技大學;中國電波傳播研究所（中國電子科技集團公司第二十二研究所）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

1.一種電磁信號智能協(xié)同識別方法及系統(tǒng)，其特征在于，所述電磁信號智能協(xié)同識別方法包括：

對電磁信號進行智能表征，并作為后續(xù)深度學習網(wǎng)絡的輸入；

在每個分布式傳感器上構(gòu)建基于DenseNet的特征融合網(wǎng)絡對智能表征進行特征級融合；

將網(wǎng)絡訓練得到的損失函數(shù)采用聯(lián)邦學習網(wǎng)絡架構(gòu)進行融合并反饋回每個DenseNet網(wǎng)絡進行訓練；

實施基于分布式?jīng)Q策級融合的電磁信號識別。

2.如權(quán)利要求1所述的電磁信號智能協(xié)同識別方法，其特征在于，所述對電磁信號進行智能表征，并作為后續(xù)深度學習網(wǎng)絡的輸入包括：

接收到的WSN無線信號s(t)表示為：

s(k)＝x(k)+e(k)；

其中，e(k)為人為噪聲，用α穩(wěn)定噪聲描述該噪聲，概率密度函數(shù)沒有閉合形式，e(t)用特征函數(shù)表示為：

其中，

式中各參數(shù)為：

·0α≤2為特征指數(shù)，它決定了穩(wěn)定分布的形狀。當α＝2時，該分布對應于方差為2γ的高斯分布的特征函數(shù)；

·γ≥0為色散參數(shù)，類似于高斯噪聲的方差，它決定了分布在中心的擴散；

·-1≤β≤1是偏度指數(shù)，控制分布的對稱性；

·δ是位置參數(shù)，表示x軸α穩(wěn)定分布率密度函數(shù)的中心，值區(qū)間是實數(shù)域；

(1)計算AM、FM信號的廣義包絡平方譜，首先對接收到的電磁信號進行預處理，則：

其中x＝rcosθ為要處理的信號，處理后的信號包絡平方為：

u(t)＝f(x)²+H[f(x)]²；

其中，f(x)為預處理后信號，利用譜估計的直接法來估計電磁信號的功率譜，得信號的包絡平方譜P(ω)為：

其中，U_N(ω)為u(t)的傅里葉變換；

(2)計算BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信號的分數(shù)低階循環(huán)譜：

對于α穩(wěn)定分布噪聲下的信號x(t)，其p階共變定義表示為：

其中，τ為時間延遲；p為階因子，其取值范圍為[1,α)，α為背景噪聲特征指數(shù)，取值范圍為[1,2]，展開成傅里葉級數(shù)，傅里葉級數(shù)系數(shù)就是信號的分數(shù)低階循環(huán)自相關(guān)函數(shù)，其表示式為：

其中，ε為p階循環(huán)頻率，對進行傅里葉變換得到信號x(t)的分數(shù)低階循環(huán)譜密度函數(shù)為：

3.如權(quán)利要求1所述的電磁信號智能協(xié)同識別方法，其特征在于，所述在每個分布式傳感器上構(gòu)建基于DenseNet的特征融合網(wǎng)絡對智能表征進行特征級融合包括：采用的基礎(chǔ)網(wǎng)絡為DenseNet，是DenseBlock和TransitionLayer交替連接的網(wǎng)絡，將最后一個DenseBlock的輸出與前一個進行融合，之后將輸出再與更前一個DenseBlock的輸出融合，最后將各個特征融合層的輸出結(jié)果融合并連接全局池化及softmax來作為網(wǎng)絡輸出。

4.如權(quán)利要求3所述的電磁信號智能協(xié)同識別方法，其特征在于，所述特征融合層由輸入層1，輸入層2，反卷積層，單元操作層及輸出層組成；

輸入層2接收到更深一層的特征后進行反卷積操作，達到與輸入層1輸入特征相同的大小，通過單元操作層使大小相等的智能表征信息進行融合，對兩層對應元素進行點乘、加減、取最大、拼接操作；

采用拼接操作，即按智能表征信息的第四個維度將智能表征信息拼接，拼接后的智能表征信息保持原圖的大小，通道數(shù)為輸入通道數(shù)之和；由輸出層輸出融合結(jié)果，將智能表征輸入該網(wǎng)絡后進行特征級融合。