[發(fā)明專利]識別不同電臺個體種類的智能識別方法

有效

• 申請?zhí)枺?/td>: 202011190513.5
• 申請日: 2020-10-30
• 公開（公告）號: CN112529035B
• 公開（公告）日: 2023-01-06
• 發(fā)明（設(shè)計）人: 梁先明;陳文潔;趙若冰;李奇真;曾翔宇;幸晨杰;陳濤;余博;張志
• 申請（專利權(quán)）人: 西南電子技術(shù)研究所(中國電子科技集團公司第十研究所)
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F18/2431;G06F18/214;G06F18/21;G06N3/045;G06N3/0464;G06N3/047;G06N3/048;G06N3/08;G06F123/02
• 代理公司: 成都九鼎天元知識產(chǎn)權(quán)代理有限公司 51214
• 代理人: 王會改

1.一種識別不同電臺個體種類的智能識別方法，其特征在于包括如下步驟：基于時序深度網(wǎng)絡(luò)，將反映不同電臺個體種類的電臺個體時序信號輸入深度網(wǎng)絡(luò)，在深度網(wǎng)絡(luò)中設(shè)置數(shù)據(jù)的固定長度值，對電臺個體原始數(shù)據(jù)進行預(yù)處理，補零處理得到時序數(shù)據(jù)及其相應(yīng)類別標(biāo)簽；劃分訓(xùn)練樣本集和測試樣本集，獲取所有電臺個體數(shù)據(jù)的信號樣本，對原始電臺個體數(shù)據(jù)進行補零處理，并組成電臺個體樣本集，按比例劃分，生成訓(xùn)練樣本集和測試樣本集；根據(jù)訓(xùn)練樣本集和測試樣本集構(gòu)建一維時序多子網(wǎng)絡(luò)深度集成模型，搭建一個一維時序多子網(wǎng)絡(luò)深度集成模型；設(shè)置卷積子網(wǎng)絡(luò)的損失函數(shù)為交叉熵?fù)p失函數(shù)，按設(shè)置的損失函數(shù)計算訓(xùn)練集中電臺個體數(shù)據(jù)的預(yù)測類別得分與真實的類別置信度得分之間的誤差損失；訓(xùn)練一維時序多子網(wǎng)絡(luò)深度集成模型，直到達(dá)到所設(shè)置的訓(xùn)練迭代次數(shù)，得到迭代過程中最優(yōu)的網(wǎng)絡(luò)參數(shù)權(quán)重，完成多子網(wǎng)絡(luò)深度集成模型的訓(xùn)練過程；將測試樣本集輸入到訓(xùn)練后的一維時序多子網(wǎng)絡(luò)深度集成模型中，對測試數(shù)據(jù)進行預(yù)測，評估分類效果，對預(yù)測向量對應(yīng)元素值進行平均，得到預(yù)測的結(jié)果向量，將獲得網(wǎng)絡(luò)對電臺時序數(shù)據(jù)預(yù)測的電臺個體類別的結(jié)果向量中的最大值在向量中的位置作為所預(yù)測的電臺個體類別；

一維時序多子網(wǎng)絡(luò)深度集成模型包括三個子網(wǎng)絡(luò)組成，其中：

第一個子網(wǎng)絡(luò)包括輸入層、十層卷積層、四層池化層、兩層全連接層、兩層批歸一化層、分類器層和輸出層，其結(jié)構(gòu)關(guān)系依次為：輸入層→第一卷積層→第二卷積層→第一池化層→第三卷積層→第四卷積層→第二池化層→第五卷積層→第六卷積層→第三池化層→第七卷積層→第八卷積層→第四池化層→第九卷積層→第十卷積層→第一全連接層→第一批歸一化層→第二全連接層→第二批歸一化層→分類器層→輸出層；

第二個子網(wǎng)絡(luò)其包括：輸入層、八層卷積層、三層池化層、兩層全連接層、兩層批歸一化層、分類器層和輸出層，其結(jié)構(gòu)關(guān)系依次為：輸入層→第1卷積層→第2卷積層→第1池化層→第3卷積層→第4卷積層→第2池化層→第5卷積層→第6卷積層→第3池化層→第7卷積層→第8卷積層→第1全連接層→第1批歸一化層→第2全連接層→第2批歸一化層→分類器層→輸出層；

第三個子網(wǎng)絡(luò)包括：輸入層、六層卷積層、兩層池化層、兩層全連接層、兩層批歸一化層、分類器層和輸出層，其結(jié)構(gòu)關(guān)系依次為：輸入層→第Ⅰ卷積層→第II卷積層→第Ⅰ池化層→第Ⅲ卷積層→第IV卷積層→第II池化層→第V卷積層→第Ⅵ卷積層→第Ⅰ全連接層→第Ⅰ批歸一化層→第II全連接層→第II批歸一化層→分類器層→輸出層，然后三個子網(wǎng)絡(luò)的輸出層并行連接構(gòu)成包含三個子網(wǎng)絡(luò)的一維時序多子網(wǎng)絡(luò)深度集成網(wǎng)絡(luò)。

2.如權(quán)利要求1所述的識別不同電臺個體種類的智能識別方法，其特征在于：在劃分訓(xùn)練樣本集和測試樣本集中，將時序數(shù)據(jù)和對應(yīng)的類別標(biāo)簽組成一個信號樣本對，獲取所有的電臺個體數(shù)據(jù)的信號樣本對并組成電臺個體樣本集，在按比例劃分訓(xùn)練樣本、驗證樣本集和測試樣本集，搭建一個由三個卷積子網(wǎng)絡(luò)組成的深度集成模型。

3.如權(quán)利要求2所述的識別不同電臺個體種類的智能識別方法，其特征在于：在三個卷積子網(wǎng)絡(luò)組成的深度集成模型中，設(shè)置三個子網(wǎng)絡(luò)的卷積層、池化層和全連接層網(wǎng)絡(luò)參數(shù)，并設(shè)置三個子網(wǎng)絡(luò)的損失函數(shù)的交叉熵?fù)p失函數(shù)和優(yōu)化算法以及相關(guān)參數(shù)，構(gòu)建一維時序多子網(wǎng)絡(luò)深度集成模型，將訓(xùn)練樣本集中的樣本順序隨機打亂，按設(shè)置的訓(xùn)練步長分批次輸入到一維時序多子網(wǎng)絡(luò)深度集成模型中進行網(wǎng)絡(luò)迭代訓(xùn)練。

4.如權(quán)利要求3所述的識別不同電臺個體種類的智能識別方法，其特征在于：按設(shè)置的損失函數(shù)，計算訓(xùn)練集中電臺個體數(shù)據(jù)的預(yù)測類別得分與真實的類別置信度得分之間的誤差損失；每迭代一次訓(xùn)練數(shù)據(jù)集，將驗證樣本集中的樣本順序隨機打亂，按設(shè)置的訓(xùn)練步長分批次輸入到一維時序多子網(wǎng)絡(luò)深度集成模型中進行網(wǎng)絡(luò)驗證，得到迭代過程中最優(yōu)的網(wǎng)絡(luò)參數(shù)權(quán)重；將測試樣本集輸入到訓(xùn)練后的一維時序多子網(wǎng)絡(luò)深度集成模型中，通過對三個子模型的預(yù)測向量對應(yīng)元素值進行平均得到預(yù)測的結(jié)果向量，將該結(jié)果向量中的最大值在向量中的位置作為所預(yù)測的電臺個體類別。