[发明专利]基于稀疏自编码器的m序列识别方法

摘要

本发明公开了一种基于稀疏自编码器的m序列识别方法。首先介绍了m序列的三阶相关函数的峰值特性，验证了利用完整周期m序列或者m序列片段估计的TCF均保持良好的峰值特性。其次，根据m序列TCF特性，提出一种基于三阶相关特征向量的输入样本构造方法。最后，利用稀疏自编码器构建特征学习网络，使用softmax回归对学习到的特征进行分类识别，建立一个稀疏自编码网络分类模型，并将预先构造好的样本输入模型，训练得到一个具有最优识别性能的模型。本发明能有效识别m序列，且在低信噪比条件下识别性能良好。

主权项

1.基于稀疏自编码器的m序列识别方法，其特征在于该方法包括以下步骤：步骤1、产生N不同周期T、不同信噪比下的完整m序列；步骤2、估计每个序列在[T/2,T/2]范围内的三阶相关函数，得到包含m序列特征信息的三阶相关矩阵；步骤3、提出取模映射方法降低三阶相关矩阵的维度，得到新的特征信息矩阵并向量化，得N个向量作为训练集样本；步骤4、建立稀疏自编码器网络用于样本特征的提取，引入softmax回归模型，将自编码器网络提取到的特征作为输入，用于分类识别；步骤5、利用代价函数最小化对稀疏自编码网络和softmax分类器逐层训练，然后整体微调优化模型；具体为首先利用梯度下降法和L‑BFGS算法分别最小化稀疏自编码器和softmax分类器的代价函数，然后通过BP算法整体微调优化模型；步骤6、参照步骤1‑步骤3，将待识别的m序列构建成SAE网络分类模型的测试集样本，输入训练好的模型，完成识别。