[发明专利]一种基于深度学习的异常I/Q信号识别方法及系统

权利要求书

1.一种基于深度学习的异常I/Q信号识别方法，其特征在于，所述基于深度学习的异常I/Q信号识别方法，包括：

步骤1、获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量；

步骤2、对所述原始I/Q信号进行预处理，形成训练数据集，包括：

步骤2.1、采用一维低通滤波器分别对I(t)和Q(t)信号分量进行滤波操作；

步骤2.2、对滤波后的I(t)和Q(t)信号分量分别采用滑动窗口进行分割，分割得到I(t)和Q(t)信号分量的多段长度相同的信号样本；

步骤2.3、逐段分别将I(t)和Q(t)信号分量进行对应拼接，形成一路包含多段复数信号样本的数据序列，并对每段复数信号样本进行时频分析得到二维时频图，再将二维时频图转化为一维数据；

步骤2.4、将转化后得到的一维数据中的复数结构进行拆分得到两路频域表征数据，并分别计算原来的包含多段复数信号样本的数据序列和转化后得到的一维数据中每个复数的模，再得到两路模数据；

步骤2.5、逐段将分割得到的I(t)和Q(t)两路信号分量、两路频域表征数据和两路模数据按照滑动窗口的划分进行对应拼接，得到六路信号数据，以构建训练数据集；

步骤3、构建信号识别模型，所述信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构，所述卷积神经网络结构用于提取输入数据的空间特征，所述循环神经网络结构在所述空间特征基础上提取时序特征得到时空域特征，所述全连接神经网络结构基于所述时空域特征输出I/Q信号识别结果；

步骤4、基于所述训练数据集对所述信号识别模型进行训练；

步骤5、利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，所述I/Q信号识别结果包括类别及其置信度，所述类别为正常信号或异常信号。

2.如权利要求1所述的基于深度学习的异常I/Q信号识别方法，其特征在于，所述卷积神经网络结构包括依次连接的多层复合网络层，所述复合网络层包括由数据输入侧至数据输出层依次连接的卷积层和最大池化层。

3.如权利要求2所述的基于深度学习的异常I/Q信号识别方法，其特征在于，所述卷积神经网络结构还包括Inception结构，所述Inception结构包括连接在最后一个复合网络层上的四个分支，所有分支的输出叠加作为卷积神经网络结构输出的空间特征；

第一分支采用了一层1×1卷积；第二分支包括两个卷积层，对应卷积核大小分别为1×1和2×1；第三分支采用了卷积核大小分别为1×1和4×1的两个卷积层；第四分支先进行了窗口大小为2的平均池化操作，并紧跟一个卷积核大小为1×1的卷积层。