[发明专利]图卷积网络与迁移学习的电磁信号识别方法和装置

权利要求书

1.一种基于图卷积网络与迁移学习的电磁信号识别方法，其特征在于，包括以下步骤：

提取电磁信号的时频空多维特征，并挖掘所述电磁信号的内隐知识，构建基于所述电磁信号内隐知识的图结构，其中，所述电磁信号的内隐知识包括：提取已知类别的电磁信号集合X₁和未知类别电磁信号集合X₂中所有电磁信号的内隐知识，包括其调制类型、载波频率、码元速率、信道传播方式，构成信号的内隐知识集合K＝{k₁，k₂，...，k_L}，其中L为内隐知识的种类数，其时频特征为对短时傅里叶变换得到的二维时频分布利用主成分分析法进行降维处理后得到的特征描述x∈R^C，其中C代表降维后的时频特征数，所有电磁信号的特征描述构成N×C的特征矩阵X，其中N代表未知类别电磁信号和已知类别电磁信号的总数目；

或者，所述电磁信号的内隐知识包括：提取已知类别的电磁信号集合X₁和未知类别电磁信号集合X₂中所有电磁信号的内隐知识，构成信号的内隐知识集合，其时频特征为对小波变换得到的二维时频分布利用线性判别分析法进行降维处理后得到的特征描述x∈R^C，其中C代表降维后的时频特征数，所有电磁信号的特征描述构成N×C的特征矩阵X，其中N代表未知类别电磁信号和已知类别电磁信号的总数目；

或者，所述电磁信号的内隐知识包括：提取已知类别的电磁信号集合X₁和未知类别电磁信号集合X₂中所有电磁信号的内隐知识，构成信号的内隐知识集合，其时频特征为对希尔伯特-黄变换得到的二维时频分布利用局部线性嵌入法进行降维处理后得到的特征描述x∈R^C，其中C代表降维后的时频特征数，所有电磁信号的特征描述构成N×C的特征矩阵X，其中N代表未知类别电磁信号和已知类别电磁信号的总数目，电磁信号时频特征的提取方法包括但不限于短时傅里叶变换、小波变换和希尔伯特-黄变换；

将所述电磁信号的时频空多维特征作为第一输入信息，并将所述电磁信号的内隐知识的图结构作为第二输入信息，搭建图卷积神经网络，并获得电磁信号所属类别权值向量，构建更新的电磁信号分类权值矩阵；

提取待识别的电磁信号的深层特征向量；以及

根据所述更新的电磁信号分类权值矩阵和所述深层特征向量，完成对电磁信号的迁移学习，生成对所述电磁信号的感知识别结果。

2.根据权利要求1所述的方法，其特征在于，所述图结构的不同节点表示不同的电磁信号，描述图结构的邻接矩阵的值由所述电磁信号的内隐知识决定，其中，任意两个电磁信号的内隐知识相似性与邻接矩阵对应元素的值成正比。

3.根据权利要求1所述的方法，其特征在于，所述提取待识别的电磁信号的深层特征向量，包括：

将所述图卷积神经网络和预设的电磁信号识别神经网络连接一个全连接层，以对电磁信号进行分类，且所述预设的电磁信号识别神经网络在全连接层之前提取出所述深层特征向量。

4.根据权利要求1或3所述的方法，其特征在于，所述获得电磁信号所属类别权值向量，包括：

所述图卷积神经网络的训练数据为已知类别的电磁信号，输出目标为全连接层权值矩阵的列向量，每个列向量都与每个电磁信号已知类别一一对应；

通过弱监督学习训练所述图卷积神经网络使训练数据的网络输出接近所述输出目标，预测出所述电磁信号所属类别对应的权值向量。

5.根据权利要求1所述的方法，其特征在于，所述生成对所述电磁信号的感知识别结果，包括：

将所述深层特征向量与所述更新的分类权值矩阵相乘，得到电磁信号属于每个电磁信号类别的概率向量，并基于最大后验概率分类准则确定所属类别。