【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及信號識別，具體為一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型。
技術(shù)介紹
1、在現(xiàn)有的信號特征識別研究中，amc任務(wù)和sei任務(wù)往往被當(dāng)做是兩個(gè)獨(dú)立的任務(wù)來實(shí)現(xiàn)，即每個(gè)任務(wù)都對應(yīng)一個(gè)專門的模型，這不僅會浪費(fèi)監(jiān)測端的計(jì)算資源，而且沒有充分利用兩種任務(wù)之間的關(guān)聯(lián)來提升識別性能。隨著無線通信系統(tǒng)變得愈加復(fù)雜，sei任務(wù)所接收到的信號不再是由單一的通信調(diào)制方式生成，而是會隨時(shí)間不斷改變，此時(shí)監(jiān)測系統(tǒng)在設(shè)計(jì)時(shí)就需要考慮到調(diào)制方式的改變對sei任務(wù)的影響。
2、在深度學(xué)習(xí)領(lǐng)域，端到端的模型設(shè)計(jì)已經(jīng)成為一種主流的方法，這種方法的優(yōu)勢在于模型能直接學(xué)習(xí)從原始輸入數(shù)據(jù)到目標(biāo)輸出的映射關(guān)系，避免了分階段處理和人為特征工程的需求，而多任務(wù)學(xué)習(xí)是一種把多個(gè)任務(wù)納入到同一個(gè)端到端模型中的學(xué)習(xí)算法，它允許模型共享不同任務(wù)間的信息，從而提高每個(gè)任務(wù)的性能。對于信號監(jiān)測領(lǐng)域中的amc和sei任務(wù)來說，不管是從模型結(jié)構(gòu)設(shè)計(jì)的角度或者從數(shù)據(jù)輸入形態(tài)的角度來說，兩個(gè)任務(wù)都具有相通性，因此非常適合在一個(gè)端到端的模型中共享同一個(gè)特征提取網(wǎng)絡(luò)。從現(xiàn)有的研究可以看出，amc任務(wù)和sei任務(wù)都遵循著相同的模型設(shè)計(jì)準(zhǔn)則，并且兩種任務(wù)都可以使用星座圖、iq數(shù)據(jù)或幅度相位數(shù)據(jù)作為輸入，因此兩個(gè)任務(wù)具有共同的模型基礎(chǔ)。此外，從信號特征的產(chǎn)生機(jī)制來看，amc任務(wù)和sei任務(wù)也都有相似性，根據(jù)第二章信號模型的分析結(jié)果來看，信號調(diào)制特征是一種有意調(diào)制過程，而射頻指紋特征是一種無意調(diào)制過程，二者以不同的程度改變著信號的波形，對波形特征的識別即可以細(xì)分為對信號調(diào)制特征的
3、因此雙任務(wù)分類在信號監(jiān)測領(lǐng)域有很大的潛力，亟待開發(fā)。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，以提升輻射源信息聯(lián)合識別的準(zhǔn)確率。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，包括：
3、amscn骨干網(wǎng)絡(luò)模塊，是基于ctdnn模型的共享骨干網(wǎng)絡(luò)，用于從原始信號中提取共享特征，并提供給下游的amc和sei任務(wù)；
4、mdhc雙任務(wù)分類器模塊：包括一個(gè)amc分類器和一個(gè)sei分類器，mdhc雙任務(wù)分類器模塊將amscn骨干網(wǎng)絡(luò)模塊提供的共享特征分別映射為當(dāng)下任務(wù)的類別概率向量，向量中概率最大值的下標(biāo)即為分類任務(wù)的輸出，amc的輸出向量對sei輸出的概率矩陣進(jìn)行掩碼操作，根據(jù)amc分類器輸出的結(jié)果，從若干組結(jié)果中挑選出對應(yīng)amc分類器結(jié)果的那一組作為最終輸出。
5、優(yōu)選的，amscn骨干網(wǎng)絡(luò)模塊中輸入信號的特征維度是b×c×l，其中b表示每一批中的樣本數(shù)量，c是信號的通道數(shù)，通道數(shù)是2，l表示樣本長度，densenet中每個(gè)卷積層輸出的特征通道數(shù)均為16，并在最后一個(gè)卷積層的輸出處級聯(lián)前面各層卷積的輸出。
6、優(yōu)選的，amscn骨干網(wǎng)絡(luò)模塊中堆疊了兩層transformer?block，每一層的結(jié)構(gòu)均一致，輸入的特征維度為162，與densenet輸出的通道數(shù)相同。
7、優(yōu)選的，amc分類器由2層全連接構(gòu)成，第一層全連接神經(jīng)元數(shù)量為256，第二層全連接神經(jīng)元數(shù)量與發(fā)送端的調(diào)制類別總數(shù)相同。
8、優(yōu)選的，sei分類器的第二層全連接神經(jīng)元數(shù)量為發(fā)送端調(diào)制類別總數(shù)與不同發(fā)射機(jī)數(shù)量的乘積。
9、優(yōu)選的，發(fā)送端共有u種調(diào)制方式以及v個(gè)不同的發(fā)射機(jī)，sei分類器的最后一層輸出向量長度即為u×v，mdhc雙任務(wù)分類器模塊的最終輸出是根據(jù)amc分類器的u組結(jié)果中挑選出對應(yīng)amc分類器結(jié)果的那一組作為最終輸出，sei分類器輸出的特征向量經(jīng)過重排之后形成一個(gè)u×v的矩陣，與生成的掩碼矩陣進(jìn)行點(diǎn)乘之后，按列相加，將矩陣變轉(zhuǎn)換為長度v的向量，即為sei分類器的最終輸出。
10、優(yōu)選的，基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型采用有監(jiān)督訓(xùn)練方式進(jìn)行訓(xùn)練。
11、優(yōu)選的，使采用交叉熵?fù)p失來約束兩個(gè)分類器，模型最終的損失為兩個(gè)分類器的損失和。
12、與現(xiàn)有技術(shù)相比，本專利技術(shù)的有益效果是：本模型對傳統(tǒng)的射頻信號監(jiān)測系統(tǒng)中存在的兩種信號特征分類任務(wù)間沒有特征融合而導(dǎo)致性能損失的問題提出改進(jìn)，在同時(shí)需要amc和sei任務(wù)的情況下，提出了一種新的多任務(wù)分類方法amscn，以獲得檢測精度以及計(jì)算效率的提高，模型通過一個(gè)高容量的骨干網(wǎng)絡(luò)，同時(shí)學(xué)習(xí)兩個(gè)任務(wù)的共同特征，然后通過基于掩碼的雙通道，分別學(xué)習(xí)每個(gè)任務(wù)的獨(dú)特特征，進(jìn)行仿真實(shí)驗(yàn)后結(jié)果表明，amc和sei是兩個(gè)特征相關(guān)的任務(wù)，而雙任務(wù)模型可以充分利用這種相關(guān)性，提高sei的檢測精度，此外，模型的計(jì)算結(jié)構(gòu)在兩個(gè)任務(wù)下都是相同的，這可以簡化在多個(gè)任務(wù)下的監(jiān)測系統(tǒng)的訓(xùn)練和部署，通過本申請的研究，發(fā)現(xiàn)了多任務(wù)學(xué)習(xí)在信號監(jiān)測領(lǐng)域有很大的潛力，即模型在訓(xùn)練過程中獲得的信息越全面，對信號的識別就越準(zhǔn)確。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：包括：
2.根據(jù)權(quán)利要求1所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：AMSCN骨干網(wǎng)絡(luò)模塊中輸入信號的特征維度是B×C×L，其中B表示每一批中的樣本數(shù)量，C是信號的通道數(shù)，通道數(shù)是2，L表示樣本長度，DenseNet中每個(gè)卷積層輸出的特征通道數(shù)均為16，并在最后一個(gè)卷積層的輸出處級聯(lián)前面各層卷積的輸出。
3.根據(jù)權(quán)利要求2所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：AMSCN骨干網(wǎng)絡(luò)模塊中堆疊了兩層Transformer?Block，每一層的結(jié)構(gòu)均一致，輸入的特征維度為162，與DenseNet輸出的通道數(shù)相同。
4.根據(jù)權(quán)利要求1所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：AMC分類器由2層全連接構(gòu)成，第一層全連接神經(jīng)元數(shù)量為256，第二層全連接神經(jīng)元數(shù)量與發(fā)送端的調(diào)制類別總數(shù)相同。
5.根據(jù)權(quán)利要求1或4所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：SEI分類器的第二層全連接神經(jīng)元數(shù)量為發(fā)送端調(diào)制類
6.根據(jù)權(quán)利要求1所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：發(fā)送端共有U種調(diào)制方式以及V個(gè)不同的發(fā)射機(jī)，SEI分類器的最后一層輸出向量長度即為U×V，MDHC雙任務(wù)分類器模塊的最終輸出是根據(jù)AMC分類器的U組結(jié)果中挑選出對應(yīng)AMC分類器結(jié)果的那一組作為最終輸出，SEI分類器輸出的特征向量經(jīng)過重排之后形成一個(gè)U×V的矩陣，與生成的掩碼矩陣進(jìn)行點(diǎn)乘之后，按列相加，將矩陣變轉(zhuǎn)換為長度V的向量，即為SEI分類器的最終輸出。
7.根據(jù)權(quán)利要求1所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：所述基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型采用有監(jiān)督訓(xùn)練方式進(jìn)行訓(xùn)練。
8.根據(jù)權(quán)利要求7所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：使采用交叉熵?fù)p失來約束兩個(gè)分類器，模型最終的損失為兩個(gè)分類器的損失和。
...【技術(shù)特征摘要】
1.一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：包括：
2.根據(jù)權(quán)利要求1所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：amscn骨干網(wǎng)絡(luò)模塊中輸入信號的特征維度是b×c×l，其中b表示每一批中的樣本數(shù)量，c是信號的通道數(shù)，通道數(shù)是2，l表示樣本長度，densenet中每個(gè)卷積層輸出的特征通道數(shù)均為16，并在最后一個(gè)卷積層的輸出處級聯(lián)前面各層卷積的輸出。
3.根據(jù)權(quán)利要求2所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：amscn骨干網(wǎng)絡(luò)模塊中堆疊了兩層transformer?block，每一層的結(jié)構(gòu)均一致，輸入的特征維度為162，與densenet輸出的通道數(shù)相同。
4.根據(jù)權(quán)利要求1所述的一種基于多任務(wù)學(xué)習(xí)的輻射源信息聯(lián)合識別模型，其特征在于：amc分類器由2層全連接構(gòu)成，第一層全連接神經(jīng)元數(shù)量為256，第二層全連接神經(jīng)元數(shù)量與發(fā)送端的調(diào)制類別總數(shù)相同。
5.根據(jù)權(quán)利要求1或4所述的一種基于多任務(wù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：遲勇為，
申請(專利權(quán))人：丙午信息技術(shù)杭州有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。