[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

说明书

本发明提出一种图卷积网络与迁移学习的电磁信号识别方法和装置，其中，方法包括：构建基于电磁信号内隐知识的图结构；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；根据更新的电磁信号分类权值矩阵和深层特征向量，完成对电磁信号的迁移学习，生成对电磁信号的感知识别结果。本发明可以基于图卷积网络与迁移学习识别电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

技术领域

本发明涉及电磁信号智能感知技术领域，尤其涉及一种图卷积网络与迁移学习的新型电磁信号识别方法及装置。

背景技术

随着电子元器件的快速发展以及各种新型信号处理技术的出现，现代电磁环境中的各种新型和复杂的辐射源信号正在日益增多。较宽的频率使用范围、多样化的调制类型方式、灵活多变的信号处理能力，以及逐渐密集的辐射源信号流使得当前电磁环境变得日益复杂，电磁信号越来越灵活多变，且多为未知信号。

现有技术中，传统的识别方法是基于特征匹配、统计决策理论或支持向量机分类等方法的，大多依赖于人工设计，提取的特征在当前越来越复杂的电磁环境下，很难保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种基于图卷积网络与迁移学习的新型电磁信号识别方法，该方法可以基于图卷积网络与迁移学习识别新型电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

本发明的第二个目的在于提出一种基于图卷积网络与迁移学习的新型电磁信号识别装置。

为达上述目的，本发明第一方面实施例提出了一种基于图卷积网络与迁移学习的新型电磁信号识别方法，包括：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；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，并获得新型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；提取待识别的新型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，完成对新型电磁信号的迁移学习，生成对所述新型电磁信号的感知识别结果。

本发明实施例的基于图卷积网络与迁移学习的新型电磁信号识别方法，通过图卷积神经网络，并获得新型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，然后根据更新的电磁信号分类权值矩阵和提取到的深层特征向量，完成对新型电磁信号的迁移学习，生成对新型电磁信号的感知识别结果，从而基于图卷积网络与迁移学习识别新型电磁信号，有效保证其对目标的辨识精度、对场景和感知设备变换的鲁棒性、识别的响应速度和新目标出现时的自适应能力。

其中，在本发明的一个实施例中，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。

进一步地，在本发明的一个实施例中，所述提取待识别的新型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。

进一步地，在本发明的一个实施例中，所述获得新型电磁信号所属类别权值向量，包括：将所述图卷积神经网络的训练数据为已知类别的电磁信号，输出目标为所述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，预测出所述新型电磁信号所属类别对应的权值向量。