[發明專利]基于膠囊神經元的無線網絡設備個體識別方法與應用

有效

• 申請號: 202110619915.0
• 申請日: 2021-06-03
• 公開（公告）號: CN113255548B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 余志斌;張瑩;施晰耀;杜秋
• 申請（專利權）人: 西南交通大學
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/24;G06F18/214;G06N3/0464;G06N3/08
• 代理公司: 北京中索知識產權代理有限公司 11640
• 代理人: 唐亭

1.一種基于膠囊神經元的無線網絡設備個體識別方法，其特征在于，包括以下步驟：

S1：收集多個無線網絡設備個體的雜散信號特征集，并將多個所述無線網絡設備個體劃分為訓練樣本和測試樣本；

S2：采用基于馬氏距離的膠囊神經網絡對所述訓練樣本進行訓練，獲得無線網絡設備個體分類覆蓋模型；

所述基于馬氏距離的膠囊神經網絡，以膠囊神經網絡為基礎，在同類樣本點的覆蓋端點選用流形半徑的過程中引入流形半徑變化率，通過循環迭代不斷減小對同類樣本端點值的流形覆蓋半徑，得到所述基于馬氏距離的膠囊神經網絡；

S3：根據所述無線網絡設備個體分類覆蓋模型對所述測試樣本的無線網絡設備個體進行識別。

2.根據權利要求1所述的基于膠囊神經元的無線網絡設備個體識別方法，其特征在于，步驟S1中，所述無線網絡設備個體的雜散信號特征通過多維模態進行分解提取。

3.根據權利要求1或2所述的基于膠囊神經元的無線網絡設備個體識別方法，其特征在于，步驟S1中，所述無線網絡設備個體的雜散信號特征包括能量、能量熵和合維數。

4.根據權利要求1所述的基于膠囊神經元的無線網絡設備個體識別方法，其特征在于，步驟S2具體包括以下子步驟：

S21：計算所有訓練樣本點兩兩之間的馬氏距離，將所有馬氏距離的平均值記為識別系數k_old；

S22：分別找到N維訓練樣本點中每組列向量的最大值與最小值，求得各組列向量的中點值mid_i；

S23：將每組特征列向量的中點值mid_i依次組合成訓練樣本點的幾何中心點并記作B₀；計算所有訓練樣本點到B₀的馬氏距離，找到距離B₀最近的點記作B₁；然后再依次計算其余樣本點到B₁的馬氏距離，找到距離B₁最近的點記作B₂；以此類推，計算所有剩余訓練樣本點到B_i的馬氏距離，找到距離最小的樣本點記為B_i+1；

S24：取識別系數k_new＝Δk^i-1﹡k_old，其中Δk^i-1為第i-1個流形半徑變化率，用直線段覆蓋法構造膠囊神經元P_i，并記B_i與B_i+1的連線為θ_i，獲得P_i在樣本空間中的覆蓋范圍：

P_i＝{s|ρ_sθi≤k,s∈Rⁿ}(1)

式中：s為同類樣本集距離中當前最小距離對應的兩個特征樣本點最近的點；ρ_sθi為s到θ_i的距離；k為識別系數；Rⁿ為實數域；

S25：遍歷訓練樣本中的所有樣本點，從所述訓練樣本中排除已被P_i覆蓋的樣本點；

S26：重復步驟S24和步驟S25，直到流形覆蓋率大于覆蓋率閾值，得到無線網絡設備個體分類覆蓋模型：

式中：m為覆蓋訓練樣本端點的膠囊神經元個數。

5.根據權利要求4所述的基于膠囊神經元的無線網絡設備個體識別方法，其特征在于，所述流形半徑變化率Δk的取值范圍為(0,1]，其中，Δk＝1表示識別系數k保持不變，Δk＜1表示識別系數k隨著被覆蓋端點值的增加而不斷減小。

6.根據權利要求4所述的基于膠囊神經元的無線網絡設備個體識別方法，其特征在于，所述覆蓋率閾值大于等于97％。

7.根據權利要求1所述的基于膠囊神經元的無線網絡設備個體識別方法，其特征在于，步驟S3具體包括以下子步驟：

S31：計算測試樣本點到覆蓋中心的距離d；

S32：將所述距離d與步驟S2訓練迭代更新后最小的流形覆蓋半徑r進行比較：

若d≥r，則拒識；

若d＜r，則根據流形覆蓋中的類別劃分規則輸出預測類別值。