[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

说明书

本发明提供了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。该方法包括：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，卷积神经网络输出所述电磁骚扰信号的辨识结果。本发明提出的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，可在时频域上对各类电磁骚扰及通信信号进行准确的特征提取及辨识。

技术领域

本发明涉及电磁信号辨识技术领域，尤其涉及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。

背景技术

日常生活中各类非线性电子电气设备(如变压变流设备、各类开关器件等)的大量使用，以及各类有意或无意的电磁辐射发射(如雷电引起的放电、有意的电磁脉冲骚扰信号等)的存在，对通信信号系统的信息传输过程造成巨大威胁。由于现代通信信号系统多使用调频信号等非稳态信号作为信息传输的载体，空间内的电磁骚扰信号也逐渐趋于复杂化，简单的频域分析方法无法实现对通信信号系统内电磁骚扰的进行精确分析及辨识，为电磁骚扰的抑制及抗干扰技术带来困难。

因此，目前，基于时频域的电磁骚扰分析及研究逐渐引起重视。现有技术中的时频分析方法分包括线性时频分析方法，如短时傅里叶变换(STFT)。该方法受海森堡不确定性限制，其在时频域上的时间分辨率及频率分辨率无法同时达到最优，时频分辨率及时频聚集性能有限。还包括双线性时频分析方法，如Wigner-Ville分布(WVD)。该方法虽然分辨率及时频聚集性能较高，但由于信号函数在时频分布表达式中进行两次乘法运算，所以使信号时频域产生严重的交叉项干扰，影响信号时频分析准确性。

发明内容

本发明的实施例提供了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，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

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，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。

优选地，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。

优选地，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；