[发明专利]基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法

权利要求书

1.一种基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法，其特征在于，包括：

通过对称窗函数将待标识的时域的电磁骚扰信号转换为短时模糊域信号；

通过自适应最优核函数优化处理所述短时模糊域信号，通过压缩感知过程对优化处理后的短时模糊域信号进行重构与恢复，得到所述电磁骚扰信号的时频表示；

构建并训练卷积神经网络，将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵输入到训练好的卷积神经网络，所述卷积神经网络输出所述电磁骚扰信号的辨识结果。

2.根据权利要求1所述的方法，其特征在于，所述的通过对称窗函数将待标识的时域的电磁骚扰信号转换为短时模糊域信号，包括：

对于待标识的时域的电磁骚扰信号x(t)，它的模糊函数为：

s(t)为信号x(t)的希尔伯特变换，θ，τ为信号变换至模糊域后的对应变量在极坐标系下的表示，e^jθτ为模糊域上的复指数信号；

选择一对称时间窗函数w(u)，u为窗函数的时间变量，使窗函数中|u|大于时间窗大小T的部分为零，则得到信号x(t)的短时模糊域信号为：

t为信号在时域的时间变量。

3.根据权利要求2所述的方法，其特征在于，所述的通过自适应最优核函数优化处理所述短时模糊域信号，包括：

基于径向高斯函数，根据所述短时模糊域信号的特征使用最优化方法设计自适应最优核函数为：

σ(ψ)控制高斯核函数在径向角ψ方向上的扩展；

通过所述自适应最优核函数最大化过滤掉所述短时模糊域信号的模糊域内的交叉项，求解所述自适应最优核函数的最优化问题：

上式中，各变量以极坐标形式表示，

约束条件为：

上式中，v为自适应最优核函数的体积。

得到所述自适应最优核函数优化处理后的短时模糊域信号为：

4.根据权利要求3所述的方法，其特征在于，所述的通过压缩感知过程对优化处理后的短时模糊域信号进行重构与恢复，得到所述电磁骚扰信号的时频表示，包括：

对优化处理后的短时模糊域信号进行二维傅里叶变换，得到所述电磁骚扰信号的初始的时频域分布：

TF_AOK＝F_2D{TF_AOK}·A·K_opt (8)

其中F_2D为二维傅里叶变换矩阵；

将所述优化处理后的短时模糊域信号作为压缩感知系统的测量值，二维傅里叶反变换矩阵作为压缩感知矩阵，将所述电磁骚扰信号的初始的时频域分布作为原始信号，构建以下压缩感知系统：

根据压缩感知技术原理求解如下的最优化问题：

得到重构后的所述电磁骚扰信号的时频表示。

5.根据权利要求4所述的方法，其特征在于，所述的构建并训练卷积神经网络，包括：

在卷积神经网络搭建过程中，定义训练的损失方程，衡量模型输出与实际结果之间的差距，使用均方误差对训练误差进行量化，均方误差E表示为：

其中r_j为期望输出的电磁骚扰信号的类别标签，a_j(L)为第L层的第j个神经元的输出；

根据训练效果调整卷积神经网络的各层卷积核数目、卷积层数量和全连接层数量的参数，直至通过训练得到可接受的均方误差E。

6.根据权利要求4或5所述的方法，其特征在于，所述的将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵输入到训练好的卷积神经网络，所述卷积神经网络输出所述电磁骚扰信号的辨识结果，包括：

将所述电磁骚扰信号的时频的实部矩阵和虚部矩阵进行归一化处理，对矩阵四周进行0值填充处理后，作为卷积神经网络中的两个输入通道，所述卷积神经网络中的卷积层中各卷积核包含两个通道，经过第一层的多个卷积核处理后，使用tanh激活函数对处理后信息进行进行最大池化处理，实现对所述电磁骚扰信号的时频特征的提取；

在所述卷积神经网络的最后一层池化层后添加全连接层，通过全连接层将电磁骚扰信号的时频特征映射至分类层的类别标记空间，输出所述电磁骚扰信号的类别辨识结果。