[發明專利]一種基于深度殘差網絡的ETC干擾信號發射機的識別方法及系統

在審

• 申請號: 202011320179.0
• 申請日: 2020-11-23
• 公開（公告）號: CN112163574A
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 曾德國;魯加戰;李志堅;李振宇;劉曉俊
• 申請（專利權）人: 南京航天工業科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京泰普專利代理事務所(普通合伙) 32360
• 代理人: 張磊

1.一種基于深度殘差網絡的ETC干擾信號發射機的識別方法，其特征是包括以下步驟：

步驟1、通過結合地感線圈定向接受ETC干擾信號，構建ETC干擾信號數據集；

步驟2、將ETC干擾信號數據集按照預定比例劃分成訓練集、驗證集和測試集；

步驟3、對訓練集、驗證集和測試集的干擾信號進行主成分分析，獲取干擾信號低維特征表示；

步驟4、設計深度殘差網絡，通過訓練集訓練深度殘差網絡，并根據驗證集選擇最優的深度殘差網絡識別模型，通過測試集測試最優深度殘差網絡識別模型，進而識別ETC干擾信號類型。

2.根據權利要求1所述的一種基于深度殘差網絡的ETC干擾信號發射機的識別方法，其特征在于：

步驟2中所述訓練集、驗證集和測試集占每類干擾信號數據的比例分別為60%、20%和20%；

步驟3中利用主成分分析得到的干擾樣本特征向量維度占初始干擾樣本特征維度的30%。

3.根據權利要求1所述的一種基于深度殘差網絡的ETC干擾信號發射機的識別方法，其特征在于，步驟4進一步包括：

步驟4-1、在深度殘差網絡中引入恒等映射并進一步提取ETC干擾信號的深層抽象特征；

步驟4-2、在深度殘差網絡中引入批量歸一化操作以及標簽平滑策略；

步驟4-3、訓練深度殘差網絡，通過反向傳播算法迭代更新各層之間的連接權重；

步驟4-4、使用訓練好的深度殘差識別網絡對測試干擾樣本類型進行識別。

4.根據權利要求3所述的一種基于深度殘差網絡的ETC干擾信號發射機的識別方法，其特征在于，步驟4-1中所述深度殘差網絡包括卷積層，池化層，非線性映射層，殘差塊以及全連接層；通過卷積、池化和非線性映射操作，對輸入的干擾信號進行加工，在連接層實現與輸出目標類型之間的映射，每種特征映射都是通過一維卷積濾波器提取干擾信號一種局部特征，根據局部相關原理，池化層對卷積層得到的特征進行降采樣的處理。

5.根據權利要求3所述的一種基于深度殘差網絡的ETC干擾信號發射機的識別方法，其特征在于，步驟4-2中所述批量歸一化操作定義如下：

其中，假設神經網絡的一層具有d維輸入特征向量，代表輸入特征向量x的均值，代表輸入特征向量x的方差，代表輸入特征向量x第k維的特征值，代表歸一化后輸入特征向量x第k維的特征值，代表經過縮放和平移后的歸一化特征值，和代表可學習的平移和縮放參數，BN插入在網絡的任何層中；

步驟4-2中所述標簽平滑策略如下：

定義調制信號樣本為，其中，是訓練的標簽，為0或者為1；

在每次迭代訓練時，設置一個錯誤率，以的概率將代入訓練，以的概率將代入訓練；

當神經網絡采用交叉熵損失函數時，對于每個樣本，網絡的損失函數表示為：

式中表示網絡預測樣本類別為1時的概率，表示預測的樣本類別，其余各符號含義同上；

引入標簽平滑時，網絡的損失函數變為：

式中，表示引入標簽平滑后的訓練標簽，其余各符號含義同上；

其中：

當標簽為0時，并不把0直接放到訓練，而是將其替換為，當標簽為1，將其替換成。

6.根據權利要求3所述的一種基于深度殘差網絡的ETC干擾信號發射機的識別方法，其特征在于，步驟4-3中所述深度殘差網絡中的第k層的特征與第k-1層特征之間的關系如下：

式中，代表非線性激活函數，表示特征值，表示第k層第j個特征，表示第k-1層第i個特征值，表示連接第k層第j個特征值與第k-1層第i個特征值之間的權重值，表示連接第k層第j個特征值與第k-1層第i個特征值之間的偏置，N表示第k-1層神經元的個數。