[发明专利]基于稀疏自编码器的m序列识别方法

权利要求书

1.基于稀疏自编码器的m序列识别方法，其特征在于该方法包括以下步骤：

步骤1、产生N不同周期T、不同信噪比下的完整m序列；

步骤2、估计每个序列的三阶相关函数，得到包含m序列特征信息的三阶相关矩阵；

步骤3、提出取模映射方法降低三阶相关矩阵的维度，得到新的特征信息矩阵并向量化，得N个向量作为训练集样本；

步骤4、建立稀疏自编码器网络用于样本特征的提取，引入softmax回归模型，将自编码器网络提取到的特征作为输入，用于分类识别；

步骤5、利用代价函数最小化对稀疏自编码网络和softmax分类器逐层训练，然后整体微调优化模型；具体为首先利用梯度下降法和L-BFGS算法分别最小化稀疏自编码器和softmax分类器的代价函数，然后通过BP算法整体微调优化模型；

步骤6、参照步骤1-步骤3，将待识别的m序列构建成SAE网络分类模型的测试集样本，输入训练好的模型，完成识别；

步骤2具体如下：

2-1.对于周期为T的m序列，当采集到的数据包含一个完整m序列周期时，截取一个长度L＝T的序列，三阶相关函数可按式(1)估计：

其中，1≤p,q≤L；

2-2.当采集的数据不足一个m序列周期，即L＜T时，三阶相关函数按式(2)估计：

2-3.对于完整周期m序列或者m序列片段，在周期内均保持了m序列TCF原有的特性；因此可以用此区域内的TCF特性识别m序列；

2-4.构造网络训练集样本时，以完整周期m序列L＝T为TCF的计算范围，即根据式(1)计算TCF矩阵Θ：

m序列的特征信息均包含在在这个三阶相关矩阵中；

步骤3中，为降低网络的训练复杂度，提出取模映射方法，将维度较大的三阶相关矩阵映射到一个维度较小的矩阵中，m序列的特征仍包含在新的矩阵中，从而降低特征信息向量即网络输入样本的维度，具体如下：

3-1.假定判定C(p,q)是否为峰值的门限为γ，当C(p,q)＞γ时，判定为峰值；否则为非峰值，且令C(p,q)＝0，更新三阶相关矩阵Θ；

3-2.当m序列的周期较长时，若将矩阵Θ向量化后得到的(T/2)²×1的向量直接作为SAE网络的输入样本，维度太大导致SAE网络训练的计算量和训练难度增大；为此，提出了取模映射的方法，先将矩阵Θ映射为一个L′×L′的矩阵Θ′，即令：

C(p′,q′)＝C(p,q) (4)

其中，p′＝p mod L′，q′＝q mod L′，L′＜＜T/2；矩阵Θ′由C(p′,q′)组成，所有的特征信息仍包含在矩阵Θ′中，将Θ′向量化后得到SAE网络的一个输入样本，一共产生N个网络测试集样本；

步骤4中，通过引入稀疏自编码器和softmax回归建立SAE网络分类模型，用于m序列的识别，具体如下：

4-1.对于一个给定的无标签数据集{x⁽¹⁾,x⁽²⁾,x⁽³⁾,…}，其中x⁽ⁱ⁾∈R^m，自编码网络尝试学习出一个映射，使输出y⁽ⁱ⁾尽可能逼近输入x⁽ⁱ⁾；于是，N个训练数据的代价函数为：

其中W为自编码器的权重矩阵，b为偏置向量，λ为权重衰减系数；第二项为惩罚项，防止模型过拟合；为使模型具有更优的学习数据特征的能力，在自编码器的基础上添加稀疏性约束条件，得到稀疏自编码器，此时代价函数为：

式中，β为稀疏惩罚项系数，ρ为稀疏性参数，一般取接近于0的正数，为隐藏层节点j的平均激活度，

其中表示隐藏层节点的激活度；利用分批的数据和梯度下降法更新参数W和b直至算法收敛，由此得到稀疏自编码的最优W和b参数；

4-2.Softmax回归模型主要用于解决多分类的问题；对于训练集{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…(x^(N),y^(N))}，有y⁽ⁱ⁾∈{1,2,…,K}，总共K个不同的类别标签；对于给定的输入样本x⁽ⁱ⁾，使用假设函数对每一类别k估计出概率值p(y⁽ⁱ⁾＝k|x⁽ⁱ⁾；θ)，假设函数h_θ(x⁽ⁱ⁾)的形式为：

式中，θ₁,θ₂,…θ_K是概率模型的参数，等式右边对模型的概率分布进行归一化，使概率之和为1；对于样本x⁽ⁱ⁾，选择最大概率取值对应的k作为当前样本的分类结果，并与样本的真实分类作比较，如果一致则分类正确，否则分类错误；定义softmax分类器的代价函数为：

式中1{·}表示一个示性函数，即1{true}＝1，1{false}＝0；利用梯度下降法求解函数中的θ，通过最小化J(θ)得到可用的softmax分类器；

4-3.稀疏自编码器网络用于样本特征的提取，softmax回归模型用于完成序列识别；故将softmax分类器直接连接到SAE的隐藏层，得到SAE网络的分类模型。