[发明专利]一种信号分类识别方法

说明书

本发明属于数据表示、分类与信号识别技术领域，尤其涉及基于EMD分解、双谱特征及神经网络对射频信号分类识别方法。所述方法，包括：将欲分类的信号循环加入噪声并取模值得到幅度数据；依据有效数据阶数对幅度数据进行改进的集总平均经验模态分解，得到本征模函数分量及剩余信号；将剩余信号划分得到训练数据集与测试数据集；遍历训练数据集与测试数据集中的样本提取双谱特征得到该样本的双谱特征矩阵，并分别构建训练集和测试集；构造卷积神经网络；将训练集输入卷积神经网络中进行训练，得到训练好的模型；将测试集输入训练好的模型中，得到分类识别结果。所述方法实现了对接收到的射频信号高准确率分类。

技术领域

本发明属于数据表示、分类与信号识别技术领域，尤其涉及一种基于改进的总体平均经验模态分解（Modified Ensemble Empirical Mode Decomposition, MEEMD）、径向积分双谱及神经网络的分类识别方法。

背景技术

5G推动了万物互联物联网技术的发展，物联网的一个重要特征就是大规模连接。大量设备产生不同种类的信号，包括模拟、数字、图像等以数据形式存在的信号，引发各种数据分类与信号识别问题。数据分类也应用广泛，如：用于物联网识别、空间频谱资源管控及射频安全等相关领域的，因此，信号分类识别具有很大的应用价值及实际意义。所谓分类，就是把相同内容或相同性质的信息为一个类别，而把相异的信息区分开来，即是把具有某种或某些共同属性或特征的数据归并在一起，通过其类别的属性或特征来对数据进行区分，区分为不同集合后，确定各个集合之间的关系，形成一个有条理的分类与识别系统。

未来每平方公里百万级的连接为物联网系统带来了能量消耗大、硬件费用高和频谱资源短缺三个挑战。各类通信系统的信号分类与时频处理息息相关，和大规模连接的发展需求相契合。对于各类无线设备而言，由于发射机和接收机之间的传播路径非常复杂，传播的机制也是多种多样的，在电波的传播过程中会受到信道的影响，信号经复杂信道后接收的信号往往非平稳且其统计量是时变的。为了实现对射频信号的分类，往往需要提取射频信号特征。因此，先进行时频变换提取特征再进行分类，是对射频信号分类识别的思路之一。

特征提取一般有傅里叶变换、短时傅里叶变换、小波变换、功率谱以及倒频谱等。傅里叶分析对于非平稳射频信号特征并不能做到局部表征，仅可用于了解信号在时频域的全局特性；短时傅里叶变换虽可以描述某一局部时间段上的频率信息，但随着信号时间的增长，信号在短时间内的平稳难以保证；小波变换可以在时频域表征信号局部特征，然而它和传统傅里叶分析方法一样，属于线性时频分析方法，无法描述信号的瞬时功率谱密度。因此，无论时频分析还是谱图分析均不能全面直观反映射频信号在时域和频域的全部特征，时频分辨率折中问题成为时频特征提取的瓶颈。此外，信号频率信息在不同时间上不同，很难找到一个合适的分析窗适应信号的全部时间段。

对无线射频信号进行分类与识别，通常需要选择时移不变性、尺度不变性以及相位保持性特征。高阶谱满足上述条件，还具备较强抗噪声性，保留信号幅度和相位信息且与时间无关，能衡量随机序列偏离正态的程度，有效地显现信号的非高斯、非线性特性。双谱分析相对简单，计算量较小且保持了高阶谱分析共有的优点，因此在信号检测、参数估计以及目标分类识别运用广泛。

深度学习在特征提取和建模上有着相较浅层模型显然的优势。深度学习善于从原始输入数据中挖掘越来越抽象的特征表示，而这些表示具有良好的泛化能力。它克服了过去人工智能中被认为难以解决的一些问题且随着训练数据集数量的显著增长及芯片处理能力的剧增，它在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，因此也促进了人工智能的发展。深度学习是包含多级非线性变换的层级机器学习方法，深层神经网络是目前的主要形式，其神经元间的连接模式受启发于动物视觉皮层组织，而卷积神经网络则是其中一种经典而广泛应用的结构。卷积神经网络的局部连接、权值共享及池化操作等特性使之能有效降低网络复杂度，减少训练参数的数目，使模型对平移、扭曲、缩放具有一定程度的不变性，并具有强鲁棒性和容错能力且易于训练和优化。

发明内容