[发明专利]一种基于深度残差网络的ETC干扰信号发射机的识别方法及系统

权利要求书

1.一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征是包括以下步骤：

步骤1、通过结合地感线圈定向接受ETC干扰信号，构建ETC干扰信号数据集；

步骤2、将ETC干扰信号数据集按照预定比例划分成训练集、验证集和测试集；

步骤3、对训练集、验证集和测试集的干扰信号进行主成分分析，获取干扰信号低维特征表示；

步骤4、设计深度残差网络，通过训练集训练深度残差网络，并根据验证集选择最优的深度残差网络识别模型，通过测试集测试最优深度残差网络识别模型，进而识别ETC干扰信号类型。

2.根据权利要求1所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于：

步骤2中所述训练集、验证集和测试集占每类干扰信号数据的比例分别为60%、20%和20%；

步骤3中利用主成分分析得到的干扰样本特征向量维度占初始干扰样本特征维度的30%。

3.根据权利要求1所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4进一步包括：

步骤4-1、在深度残差网络中引入恒等映射并进一步提取ETC干扰信号的深层抽象特征；

步骤4-2、在深度残差网络中引入批量归一化操作以及标签平滑策略；

步骤4-3、训练深度残差网络，通过反向传播算法迭代更新各层之间的连接权重；

步骤4-4、使用训练好的深度残差识别网络对测试干扰样本类型进行识别。

4.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-1中所述深度残差网络包括卷积层，池化层，非线性映射层，残差块以及全连接层；通过卷积、池化和非线性映射操作，对输入的干扰信号进行加工，在连接层实现与输出目标类型之间的映射，每种特征映射都是通过一维卷积滤波器提取干扰信号一种局部特征，根据局部相关原理，池化层对卷积层得到的特征进行降采样的处理。

5.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-2中所述批量归一化操作定义如下：

其中，假设神经网络的一层具有d维输入特征向量，代表输入特征向量x的均值，代表输入特征向量x的方差，代表输入特征向量x第k维的特征值，代表归一化后输入特征向量x第k维的特征值，代表经过缩放和平移后的归一化特征值，和代表可学习的平移和缩放参数，BN插入在网络的任何层中；

步骤4-2中所述标签平滑策略如下：

定义调制信号样本为，其中，是训练的标签，为0或者为1；

在每次迭代训练时，设置一个错误率，以的概率将代入训练，以的概率将代入训练；

当神经网络采用交叉熵损失函数时，对于每个样本，网络的损失函数表示为：

式中表示网络预测样本类别为1时的概率，表示预测的样本类别，其余各符号含义同上；

引入标签平滑时，网络的损失函数变为：

式中，表示引入标签平滑后的训练标签，其余各符号含义同上；

其中：

当标签为0时，并不把0直接放到训练，而是将其替换为，当标签为1，将其替换成。

6.根据权利要求3所述的一种基于深度残差网络的ETC干扰信号发射机的识别方法，其特征在于，步骤4-3中所述深度残差网络中的第k层的特征与第k-1层特征之间的关系如下：

式中，代表非线性激活函数，表示特征值，表示第k层第j个特征，表示第k-1层第i个特征值，表示连接第k层第j个特征值与第k-1层第i个特征值之间的权重值，表示连接第k层第j个特征值与第k-1层第i个特征值之间的偏置，N表示第k-1层神经元的个数。