[发明专利]基于监督学习分类模型的未知类别信号的检测方法

权利要求书

1.一种基于监督学习分类模型的未知类别信号的检测方法，其特征在于，所述基于监督学习分类模型的未知类别信号的检测方法，包括：

利用有标签的数据集训练CNN(卷积神经网络)，使得该卷积神经网络可以获得能表征输入数据的最本质的特征；

丢掉最后的SoftMax层，利用分类模型进行数据的特征提取；

利用CNN提取的特征，使用t-分布领域嵌入算法(t-SNE,t-distributed StochasticNeighbor Embedding)降维算法对特征降维，得到低维的特征数据，利用低维的特征数据进行可视化，检验特征数据是否能够表征数据集的本质特征；

利用降维后的低维数据，使用基于距离的计算公式计算框架的检测准确率。

2.如权利要求1所述的基于监督学习分类模型的未知类别信号的检测方法，其特征在于，所述基于监督学习分类模型的未知类别信号的检测方法具体包括：

步骤一：训练CNN分类模型；

训练时，利用n几个已知类别的调制信号训练卷积神经网络分类模型；

步骤二：首先将步骤一训练好的CNN神经网络的分类模型保存下来，将训练好的神经网络最后一层Soft-max层去掉，加入一些不同信噪比的未知类别的调制信号，将已知类别的调制信号和新加入的未知类别的信号作为总的测试集输入到卷积神经网络的模型中，获得最后一个dense层的输出；

步骤三：利用t-SNE算法对步骤二中获得的高维特征降维，t-SNE的输入为模型最后dense层的输出；

步骤四：数据经过t-SNE算法降维后，获得低维数据；对降维后的数据进行处理；本实例试验中是将高维数据降维到了二维空间，假设降维后的二维数据分别为x和y，利用数据集中的所有值求出每个类别的中心位置x和y，利用基于距离的计算公式计算未知类别信号的每条数据距离自己的中心位置的距离dis和其他各类数据的中心点的距离分别为{dis₁,dis₂,...,dis_n}；

步骤五：距离dis小于到其他各类的中心点的距离，判为未知类别，把负样本判为了负样本；距离dis大于到其他各类的中心点的距离，判为距离最小的那一类的信号，把负样本误判为了正样本；把负样本判为了负样本的信号个数为k，把负样本误判为了正样本的信号个数为l，则检测准确率的表达式为k/(k+l)。

3.如权利要求2所述的基于监督学习分类模型的未知类别信号的检测方法的降維算法，其特征在于，t-SNE对高维中的分布采用对称SNE中的做法，而对低维中的分布则采用更一般的T分布。不同点在于两维空间利用的梯度计算公式不同；具体包括：

本发明的实例中的计算是假设t-SNE的高维空间数据点之间相似性的条件分布概率p_j|i，高维数据用x表示，x_i表示第i个样本，低维数据用y表示，高维空间数据点之间相似性的条件分布概率q_j|i，目标函数中度量低维空间数据点对之间相似性的联合概率分布函数q_ij，度量高维空间数据点对之间相似性的联合概率分布函数p_ij。但本发明不限制计算联合概率分布函数的公式。

本发明的实例中t-SNE高维数据利用的梯度公式，为如下形式：

采用自由度为1的t分布函数来度量低维空间中点对的相似性，联合概率分布函数q_ij。t-SNE低维的梯度变为如下：

4.一种如权利要求1～3任意一项所述基于监督学习分类模型的未知类别信号的检测方法的调制信号检测方法。