[发明专利]识别不同电台个体种类的智能识别方法

权利要求书

1.一种识别不同电台个体种类的智能识别方法，其特征在于包括如下步骤：基于时序深度网络，将反映不同电台个体种类的电台个体时序信号输入深度网络，在深度网络中设置数据的固定长度值，对电台个体原始数据进行预处理，补零处理得到时序数据及其相应类别标签；划分训练样本集和测试样本集，获取所有电台个体数据的信号样本，对原始电台个体数据进行补零处理，并组成电台个体样本集，按比例划分，生成训练样本集和测试样本集；根据训练样本集和测试样本集构建一维时序多子网络深度集成模型，搭建一个一维时序多子网络深度集成模型；设置卷积子网络的损失函数为交叉熵损失函数，按设置的损失函数计算训练集中电台个体数据的预测类别得分与真实的类别置信度得分之间的误差损失；训练一维时序多子网络深度集成模型，直到达到所设置的训练迭代次数，得到迭代过程中最优的网络参数权重，完成多子网络深度集成模型的训练过程；将测试样本集输入到训练后的一维时序多子网络深度集成模型中，对测试数据进行预测，评估分类效果，对预测向量对应元素值进行平均，得到预测的结果向量，将获得网络对电台时序数据预测的电台个体类别的结果向量中的最大值在向量中的位置作为所预测的电台个体类别；

一维时序多子网络深度集成模型包括三个子网络组成，其中：

第一个子网络包括输入层、十层卷积层、四层池化层、两层全连接层、两层批归一化层、分类器层和输出层，其结构关系依次为：输入层→第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第三池化层→第七卷积层→第八卷积层→第四池化层→第九卷积层→第十卷积层→第一全连接层→第一批归一化层→第二全连接层→第二批归一化层→分类器层→输出层；

第二个子网络其包括：输入层、八层卷积层、三层池化层、两层全连接层、两层批归一化层、分类器层和输出层，其结构关系依次为：输入层→第1卷积层→第2卷积层→第1池化层→第3卷积层→第4卷积层→第2池化层→第5卷积层→第6卷积层→第3池化层→第7卷积层→第8卷积层→第1全连接层→第1批归一化层→第2全连接层→第2批归一化层→分类器层→输出层；

第三个子网络包括：输入层、六层卷积层、两层池化层、两层全连接层、两层批归一化层、分类器层和输出层，其结构关系依次为：输入层→第Ⅰ卷积层→第II卷积层→第Ⅰ池化层→第Ⅲ卷积层→第IV卷积层→第II池化层→第V卷积层→第Ⅵ卷积层→第Ⅰ全连接层→第Ⅰ批归一化层→第II全连接层→第II批归一化层→分类器层→输出层，然后三个子网络的输出层并行连接构成包含三个子网络的一维时序多子网络深度集成网络。

2.如权利要求1所述的识别不同电台个体种类的智能识别方法，其特征在于：在划分训练样本集和测试样本集中，将时序数据和对应的类别标签组成一个信号样本对，获取所有的电台个体数据的信号样本对并组成电台个体样本集，在按比例划分训练样本、验证样本集和测试样本集，搭建一个由三个卷积子网络组成的深度集成模型。

3.如权利要求2所述的识别不同电台个体种类的智能识别方法，其特征在于：在三个卷积子网络组成的深度集成模型中，设置三个子网络的卷积层、池化层和全连接层网络参数，并设置三个子网络的损失函数的交叉熵损失函数和优化算法以及相关参数，构建一维时序多子网络深度集成模型，将训练样本集中的样本顺序随机打乱，按设置的训练步长分批次输入到一维时序多子网络深度集成模型中进行网络迭代训练。

4.如权利要求3所述的识别不同电台个体种类的智能识别方法，其特征在于：按设置的损失函数，计算训练集中电台个体数据的预测类别得分与真实的类别置信度得分之间的误差损失；每迭代一次训练数据集，将验证样本集中的样本顺序随机打乱，按设置的训练步长分批次输入到一维时序多子网络深度集成模型中进行网络验证，得到迭代过程中最优的网络参数权重；将测试样本集输入到训练后的一维时序多子网络深度集成模型中，通过对三个子模型的预测向量对应元素值进行平均得到预测的结果向量，将该结果向量中的最大值在向量中的位置作为所预测的电台个体类别。