[发明专利]一种电磁信号分类方法和装置

说明书

本发明实施例公开了一种电磁信号分类方法和装置。该方法包括：通过小波散射变换构建散射网络，对电磁信号集内的电磁信号利用构建的散射网络提取散射特征，获得特征样本集，利用特征样本集对支持向量机SVM分类模型进行训练，对待分类电磁信号利用构建的散射网络提取散射特征，将提取的散射特征输入训练后的SVM分类模型，得到分类结果。本发明的方案将散射网络和支持向量机有机结合，保留了卷积神经网络结构的同时，通过预先构建的小波滤波器替代卷积神经网络中通过数据学习得到的滤波器，从而大大降低了计算复杂度；通过小波级联操作，能有效克服信号分类过程中噪声的干扰，实现高效精准的电磁信号分类。

技术领域

本发明涉及电磁信号分类领域，具体涉及一种电磁信号分类方法和装置。

背景技术

电磁信号识别，通俗来说，就是通过挖掘电磁信号特征，以最大可能区分各种电磁信号。电磁信号识别包含电磁信号类型识别和辐射源个体识别等，在电磁频谱监测、认知无线电、网络空间安全等领域都有着广泛的应用。

电磁信号识别主要采用模式识别方法。人工神经网络自适应能力较强，但是在信噪比较低的条件下，分类效果不好，同时因为需要对描述对象的特征进行训练，计算复杂度较高。近年来，深度学习技术迅猛发展，因其具备稀疏连接、权重共享和最大池采样等特性，克服了原先神经网络预测方法泛化能力弱，容易在最佳值的搜索过程限于局部最小值等缺点，同时，计算复杂度显著下降。但是，基于卷积神经网络的电磁信号分类方法，抗噪性能并不理想，而且卷积神经网络中的滤波器通过大量的数据学习得到，计算复杂度仍较高。

发明内容

鉴于上述问题，本发明提出了一种电磁信号分类方法和装置，以便解决或者部分解决上述问题。

依据本发明的一个方面的实施例，提供了一种电磁信号分类方法，所述方法包括：

通过小波散射变换构建散射网络；

对电磁信号集内的电磁信号利用构建的所述散射网络提取散射特征，获得特征样本集；

利用所述特征样本集对支持向量机SVM分类模型进行训练；

对待分类电磁信号利用构建的所述散射网络提取散射特征，将提取的散射特征输入训练后的SVM分类模型，得到分类结果。

依据本发明的又一方面的实施例，提供了一种电磁信号分类装置，所述装置包括：

散射网络构建模块，用于通过小波散射变换构建散射网络；

特征样本集获取模块，用于对电磁信号集内的电磁信号利用构建的所述散射网络提取散射特征，获得特征样本集；

SVM分类模型训练模块，用于利用所述特征样本集对支持向量机SVM分类模型进行训练；

分类模块，用于对待分类电磁信号利用构建的所述散射网络提取散射特征，将提取的散射特征输入训练后的SVM分类模型，得到分类结果。

由上述可知，本发明的技术方案，基于散射网络和SVM分类模型，通过小波散射变换构建散射网络，构建的散射网络也即小波散射卷积神经网络，利用该构建的散射网络首先对电磁信号集内的电磁信号提取散射特征，获得特征样本集，然后利用特征样本集对SVM分类模型进行训练得到训练后的SVM分类模型，这样对待分类电磁信号也首先利用该构建的散射网络提取散射特征，之后只需将提取的散射特征输入训练后的SVM分类模型就可以得到分类结果。可见，本发明的方案将散射网络和支持向量机有机结合，保留了卷积神经网络结构的同时，通过预先构建的小波滤波器替代卷积神经网络中通过数据学习得到的滤波器，从而大大降低了计算复杂度；通过小波级联操作，能有效克服信号分类过程中噪声的干扰，实现高效精准的电磁信号分类。