[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

说明书

本发明属于信号检测、深度学习技术领域，公开了一种基于监督学习分类模型的未知类别信号的检测方法,利用有标签的数据集训练CNN，建立监督学习分类模型；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‑SNE降维算法可视化检测分类效果，以及取得低维的特征数据；利用降维后的二维数据，使用基于距离的计算公式计算框架的检测准确率。本发明创新地提出了CNN+t‑SNE检测方法，将高维的数据映射到低维空间，使得结果更清晰，且更方便计算；本发明实例中加入的未知类别信号也可以有属于自己的中心能聚集在一个位置，可以说明本发明的分类模型可以很好的提取输入数据的本质特征，且有效地检测出未知类别信号。

技术领域

本发明属于信号检测、深度学习技术领域，尤其涉及一种基于监督学习分类模型的未知类别信号的检测方法。

背景技术

目前，业内常用的现有技术是这样的：

随着通信技术和国民经济的发展，通信环境日趋复杂，在有限的频带范围内，为了能够充分利用资源，不同调制方式的信号如雨后春笋似的大量涌现，通信信号无论是体制还是调制样式都更加的多样化、复杂化，很多文献中已有效地识别有明确标签的调制信号，在通信对抗领域，面临着接收到大量未知类别的信号数据的问题，在许多数据挖掘和机器学习问题中提出了一个共同的挑战。在现有的研究中，对于未知类别的数据的检测多出现在网络入侵检测和对于故障的检测中，但是对于调制信号的未知类别信号的检测并没有展开性的研究，因此，有效地检测未知类别的信号，是十分重要的研究课题。

虽然对于调制方式的识别已有了大量的工作，但是都是基于专家特征进行的调制分类，各种分类特征,尽管对其进行了分别整理,并试图对各种特征的特点作较为明确的说明和比较。但是对于初涉调制识别问题的人来讲,仍会感到各种特征似乎有些杂乱无章,没有规律可寻。对于未知调制类别的信号的检测也是如此，应该选择出用于检测的通用的特征和方法。

针对传统专家特征冗杂的问题，提出了基于前馈全连接深度神经网络(DNN)模型的方法，引入了深度学习，DNN本质上是一个包含多个隐层的多层感知机，对事物的建模或抽象表现能力更强，也能模拟更复杂的模型。但全连接DNN的结构里下层神经元和所有上层神经元都能够形成连接，带来的潜在问题是参数数量的膨胀，导致出现局部最优值，使最终的检测结果差强人意。因此Shengliang Peng等人提出了使用深度学习的卷积神经网络(CNN)完成调制信号分类任务。与基于传统专家特征的SVM、决策树等分类方法的分类准确率比较，性能得到了显著的提升，但只针对已知类别的调制信号进行了分类识别，没有对未知类别信号的检测进行研究。

综上所述，现有技术存在的问题是：

(1)在实际生活中，通信环境日趋复杂，通信信号无论是体制还是调制样式都更加的多样化、复杂化，因此面临接收到大量未知类别的调制信号数据的问题。

(2)现有的技术方法是利用信号的瞬时信息包括瞬时幅度(InstantaneousAmplitude)、瞬时频率(Instantaneous Frequency)、瞬时相位(Instantaneous Phase)等不同角度的统计特征值进行分类识别，不同的专家特征以及专家特征的数量都会对最后的结果有很大的影响。且计算比较麻烦，工作量较大。

(3)为解决第(2)中提到的问题，一些专家提出了基于DNN模型的方法，DNN由于具有更多的层次结果，因而对事物的建模或抽象表现能力更强，也能模拟更复杂的模型。虽然引入了深度学习，但全连接DNN的结构里下层神经元和所有上层神经元都能够形成连接，带来的潜在问题是参数数量的膨胀，导致出现局部最优值，使最终的检测结果差强人意。

解决上述技术问题的难度和意义：