[發明專利]一種電磁信號智能協同識別方法及系統

在審

• 申請號: 202010632562.3
• 申請日: 2020-07-03
• 公開（公告）號: CN111967309A
• 公開（公告）日: 2020-11-20
• 發明（設計）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）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

本發明屬于電磁信號智能識別技術領域，公開了一種電磁信號智能協同識別方法及系統，對電磁信號進行智能表征，并作為后續深度學習網絡的輸入；在每個分布式傳感器上構建基于DenseNet的特征融合網絡對智能表征進行特征級融合；將網絡訓練得到的損失函數采用聯邦學習網絡架構進行融合并反饋回每個DenseNet網絡進行訓練；實施基于分布式決策級融合的電磁信號識別。當廣義信噪比在10dB以上時，本發明對AM、FM、BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信號的識別率均在90％以上，可見本發明具有良好的識別性能。

技術領域

本發明屬于電磁信號智能識別技術領域，尤其涉及一種電磁信號智能協同識別方法、系統、存儲介質及應用。

背景技術

目前，電磁信號分類是電磁信號認知中的一項基礎性和關鍵性技術，用于識別電磁信號的調制信息，在信號解調、可疑傳輸監控、異常檢測、干擾定位等領域有著廣泛的應用。在分布式網絡中，由于不同的傳播和傳輸環境的影響，即使發射機發出信號完全相同，在各個接收傳感器上也會觀察到不同的信號。傳統的信號識別方法多以高斯噪聲為噪聲模型，而在實際環境中的噪聲往往具有尖峰脈沖性質且噪聲的概率密度函數有較厚的拖尾，這對傳輸的電磁信號造成極大干擾。由于傳感器網絡中信道容量的限制，使得原始觀測集無法在主節點上完整地訪問。因此在本地進行部分信號處理顯得尤為重要。同時在復雜的電磁環境中，由于電磁信號的調制方式多種多樣，參數變化頻繁，受到干擾嚴重，很難進行有效的信號分類。隨著人工智能技術的發展，相關算法在信號分類中得到了廣泛的應用。人工智能產生的信號分類能夠解決傳統信號分類方法的問題，包括高依賴人工特性、低模型穩定性和高模型復雜性。T.O’Shea等人采用小波模糊神經網絡方法解決了某些類型噪聲引起的電磁信號識別難題，但該方法的缺點是收斂速度慢，容易陷入局部極值(T.O’Shea，T.Roy and T.Clancy，“Over-the-air deep learning based radio signalclassification，”IEEE J.Sel.Topics Signal Process.，vol.12，no.1，pp.168-179，Feb.2018.)。R.Cao等人使用電磁信號的雙譜估計和稀疏自編碼器來識別信號。然而，該方法不能保證模型的全局最優性(R.Cao，J.Cao，J.-P.Mei，C.Yin，and X.Huang，``Radaremitter identification with bispectrum and hierarchical extreme learningmachine，”Multimedia Tools Appl.，vol.77，pp.1_18，May 2018.)。G.Yang等人提出一種基于顯式無數代價函數和全局優化方法，但當過采樣率降低時將導致算法的性能下降(G.Yang，J.Wang，G.Zhang，Q.Shao and S.Li，Joint Estimation of Timing andCarrier Phase Offsets for MSK Signals in Alpha-Stable Noise，IEEECommunications Letters，vol.22，no.1，pp.89-92，Jan.2018.)。M.Mohanty等人使用過完備混合字典對加性混合高斯噪聲和脈沖噪聲進行稀疏信號分解(SSD)后，提出了一種調制類型分類方法，然而這種方法需要SSD對接收信號進行額外的預處理，從而增加了分類器的計算復雜性(M.Mohanty，U.Satija and B.Ramkumar，Sparse decomposition frameworkfor maximum likelihood classification under alpha-stable noise，2015IEEEInternational Conference on Electronics，Computing and CommunicationTechnologies(CONECCT)，Bangalore，2015，pp.1-6.)。但以上分類效果要么因為考慮性能而選擇了可能導致收斂速度慢、不能保證模型的全局最優性的算法，要么因為要對信號進行大量預處理增加復雜度，要么因為對信號質量要求較高，當環境發生改變時不能保證良好的魯棒性，均不能達到理想效果。