CN110097011A - 一种信号识别方法及装置 - Google Patents
一种信号识别方法及装置 Download PDFInfo
- Publication number
- CN110097011A CN110097011A CN201910371624.7A CN201910371624A CN110097011A CN 110097011 A CN110097011 A CN 110097011A CN 201910371624 A CN201910371624 A CN 201910371624A CN 110097011 A CN110097011 A CN 110097011A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency image
- sample
- target time
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种信号识别方法及装置。方案如下:可以获取预设频段内的待识别信号,确定待识别信号的目标时频图像,提取目标时频图像的目标特征数据,将目标特征数据输入预先训练好的信号识别模型,确定待识别信号的类型,信号识别模型是通过预设训练集训练得到的模型,预设训练集包括预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。通过本发明实施例提供的技术方案,根据不同信号对应的时频图像中的特征数据的不同,利用训练好的信号识别模型,确定信号的类型,实现利用一台设备识别出不同类型的信号,不再需要为每一类型的信号单独配备对应的模块,降低了设备的成本,提高了信号识别效率。
Description
技术领域
本发明涉及信号探测技术领域,特别是涉及一种信号识别方法及装置。
背景技术
在传统导航定位过程中,往往通过识别全球导航卫星***(Global NavigationSatellite System,GNSS)信号进行定位。随着技术的不断发展,出现了更多的定位方法,如全源导航、机会信号导航、多源融合定位等。采用这些定位方式,往往是通过识别空域内所有可用于定位的射频信号进行定位。该射频信号可以包括各种非导航专用信号,如数字音频广播、数字电视广播信号,调幅和调频广播信号,蜂窝基站信号,蓝牙(Bluetooth)信号,紫蜂(ZigBee)信号,无线网络(Wi-Fi)信号等。与GNSS信号不同的是,这些射频信号分布在较宽的频段内,并且每一种信号所采用的调制方式是不同的,这为信号识别过程带来较大的难度。
目前,在对上述射频信号进行识别时,通过不同的通信模块来识别每一通信模块对应的射频信号,这使得设备成本较高,信号识别效率较低。
发明内容
本发明实施例的目的在于提供一种信号识别方法及装置,以降低设备的成本,提高信号识别效率。具体技术方案如下:
本发明实施例提供了一种信号识别方法,包括:
获取预设频段内的待识别信号;
确定所述待识别信号的目标时频图像;
提取所述目标时频图像的目标特征数据;
将所述目标特征数据输入预先训练好的信号识别模型,确定所述待识别信号的类型,其中,所述信号识别模型是通过预设训练集训练得到的模型,所述预设训练集包括所述预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。
可选的,所述确定所述待识别信号的目标时频图像的步骤,包括:
利用以下短时傅里叶变换公式,得到所述待识别信号的目标时频图像:
Gf(w,u)=∫f(t)g(t-u)e-jwtdt
其中,w为所述待识别信号的角频率,f为频率,t为时间t,u为预设时间窗口长度u,函数Gf(w,u)的值为频率分量的幅值,∫·dt为对t的积分操作,函数f(t)为所述待识别信号,函数g(t-u)为预设窗口函数,函数e-jwt为复变函数,e为自然常数,j为虚数单位。
可选的,所述提取所述目标时频图像中的目标特征数据的步骤,包括:
对所述目标时频图像进行特征提取,得到所述目标时频图像的多个特征点;
采用K均值聚类(K-means)算法,对所述多个特征点进行聚类处理,得到K个类;
确定K个类中每个类包括的特征点的数量;
根据每个类包括的特征点的数量,确定所述目标时频图像中的目标特征数据。
可选的,所述对所述目标时频图像进行特征提取,得到所述目标时频图像的多个特征点的步骤,包括:
利用加速稳健特征(Speeded-Up Robust Features,SURF)算法,提取所述目标时频图像中的多个特征描述符,得到所述目标时频图像的多个特征点。
可选的,所述根据每个类包括的特征点的数量,确定所述目标时频图像中的目标特征数据的步骤,包括:
根据每个类包括的特征点的数量,构建所述目标时频图像的第一特征点分布图;将所述第一特征点分布图确定为所述目标时频图像中的目标特征数据;或,
根据每个类包括的特征点的数量,统计每个类包括的特征点在所述目标时频图像中出现的概率,并根据每个类对应的概率,构建所述目标时频图像的第二特征点分布图;将所述第二特征点分布图确定为所述目标时频图像中的目标特征数据。
可选的,所述信号识别模型采用如下步骤训练得到,包括:
获取所述预设训练集;
将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型;
根据确定的每一样本信号的类型和每一样本信号的样本类型,计算损失值;
判断损失值是否小于预设阈值;
若否,则调整预设的机器学习模型的参数,返回执行所述将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型的步骤;
若是,则将预设的机器学习模型确定为信号识别模型。
本发明实施例还提供了一种信号识别装置,包括:
第一获取模块,用于获取预设频段内的待识别信号;
第一确定模块,用于确定所述待识别信号的目标时频图像;
提取模块,用于提取所述目标时频图像的目标特征数据;
第二确定模块,用于将所述目标特征数据输入预先训练好的信号识别模型,确定所述待识别信号的类型,其中,所述信号识别模型是通过预设训练集训练得到的模型,所述预设训练集包括所述预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。
可选的,所述第一确定模块,具体用于利用以下短时傅里叶变换公式,得到所述待识别信号的目标时频图像:
Gf(w,u)=∫f(t)g(t-u)e-jwtdt
其中,w为所述待识别信号的角频率,f为频率,t为时间t,u为预设时间窗口长度u,函数Gf(w,u)的值为频率分量的幅值,∫·dt为对t的积分操作,函数f(t)为所述待识别信号,函数g(t-u)为预设窗口函数,函数e-jwt为复变函数,e为自然常数,j为虚数单位。
可选的,所述提取模块,包括:
提取子模块,用于对所述目标时频图像进行特征提取,得到所述目标时频图像的多个特征点;
聚类子模块,用于采用K-means聚类算法,对所述多个特征点进行聚类处理,得到K个类;
第一确定子模块,用于确定K个类中每个类包括的特征点的数量;
第二确定子模块,用于根据每个类包括的特征点的数量,确定所述目标时频图像中的目标特征数据。
可选的,所述提取子模块,具体用于利用SURF算法,提取所述目标时频图像中的多个特征描述符,得到所述目标时频图像的多个特征点。
可选的,所述第二确定子模块,具体用于根据每个类包括的特征点的数量,构建所述目标时频图像的第一特征点分布图;将所述第一特征点分布图确定为所述目标时频图像中的目标特征数据;或根据每个类包括的特征点的数量,统计每个类包括的特征点在所述目标时频图像中出现的概率,并根据每个类对应的概率,构建所述目标时频图像的第二特征点分布图;将所述第二特征点分布图确定为所述目标时频图像中的目标特征数据。
可选的,所述装置还包括:
第二获取模块,用于获取所述预设训练集;
第三确定模块,用于将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型;
计算模块,用于根据确定的每一样本信号的类型和每一样本信号的样本类型,计算损失值;
判断模块,用于判断损失值是否小于预设阈值;
调整模块,用于在所述判断模块的判断结果为否时,调整预设的机器学习模型的参数,返回执行所述将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型的步骤;
第四确定模块,用于在所述判断模块的判断为结果为是时,将预设的机器学习模型确定为信号识别模型。
本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的信号识别方法步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的信号识别方法步骤。
本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的信号识别方法。
本发明实施例提供的一种信号识别方法及装置,可以获取预设频段内的待识别信号,确定待识别信号的目标时频图像,提取目标时频图像的目标特征数据,将目标特征数据输入预先训练好的信号识别模型,确定待识别信号的类型,其中,信号识别模型是通过预设训练集训练得到的模型,预设训练集包括预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。通过本发明实施例提供的技术方案,根据不同信号对应的时频图像中的特征数据的不同,利用训练好的信号识别模型,确定信号的类型,实现利用一台设备识别出不同类型的信号,不再需要为每一类型的信号单独配备对应的模块,降低了设备的成本,提高了信号识别效率。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的信号识别方法的一种流程示意图;
图2-a为本发明实施例提供的对Wi-Fi信号进行短时傅里叶变换后的一种时频图像;
图2-b为本发明实施例提供的对蓝牙信号进行短时傅里叶变换后的一种时频图像;
图2-c为本发明实施例提供的对ZigBee信号进行短时傅里叶变换后的一种时频图像;
图3-a为本发明实施例提供的目标时频图像的尺度空间的一种示意图;
图3-b为本发明实施例提供的特征点的主方向确定的一种示意图;
图4为本发明实施例提供的信号识别模型的训练方法的一种流程示意图;
图5-a为本发明实施例提供的样本信号为蓝牙信号对应的样本时频图像之一;
图5-b为本发明实施例提供的样本信号为蓝牙信号对应的样本时频图像之一;
图5-c为本发明实施例提供的样本信号为蓝牙信号对应的样本时频图像之一;
图6为本发明实施例提供的信号识别装置的一种结构示意图;
图7为本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,在对射频信号进行识别时,根据不同类型的射频信号所采用的通信协议的不同,利用不同的通信模块识别对应类型的射频信号。由于不同的通信模型相互独立,不利于设备的集成和深度融合,使得识别信号类型的设备的成本较高。另外,每一通信模块仅能识别该通信模块对应类型的信号,导致信号识别效率较低。
为了解决上述设备成本较高,以及信号识别效率较低的问题,本发明实施例提供了一种信号识别方法。该方法应用于任一包括导航***或定位***的电子设备。在本发明实施例提供的方法中,可以获取预设频段内的待识别信号,确定待识别信号的目标时频图像,提取目标时频图像的目标特征数据,将目标特征数据输入预先训练好的信号识别模型,确定待识别信号的类型,其中,信号识别模型是通过预设训练集训练得到的模型,预设训练集包括预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。
通过本发明实施例提供的技术方案,根据不同信号对应的时频图像中的特征数据的不同,利用训练好的信号识别模型,确定信号的类型,实现利用一台设备识别出不同类型的信号,不再需要为每一类型的信号单独配备对应的模块,降低了设备的成本,提高了信号识别效率。
下面通过具体的实施例,对本发明实施例进行说明。
如图1所示,图1为本发明实施例提供的信号识别方法的一种流程示意图。该方法包括以下步骤。
步骤S101,获取预设频段内的待识别信号。
在本步骤中,电子设备获取预设频段内的射频信号,作为待识别信号。
上述射频信号可以包括蓝牙信号、Wi-Fi信号和ZigBee信号等,上述预设频段可以为2.4千兆赫兹(GHz)工业科学医疗(Industrial Scientific Medical,ISM)频段,也可以为5.0GHz频段。例如,预设频段可以为2.4GHz频段。某一时刻,电子设备可以获取2.4GHz频段内的射频信号,作为待识别信号。
上述预设频段可以根据实际应用场景以及用户的需求等进行设定。例如,采用广播信号进行导航或定位时,广播信号可以包括数字音频广播信号、数字电视广播信号、调频广播信号以及调幅广播信号等,这些广播信号分布在不同的频段中,则上述预设频段可以为每一广播信号所对应的频段。在本发明实施例中,对上述预设频段以及预设频段的数量不作具体限定。
步骤S102,确定待识别信号的目标时频图像。
在本步骤中,上述步骤S101所获取到的待识别信号为时域信号,电子设备可以对待识别信号进行一定的变换处理,也就是将时域信号转换为频域信号,从而得到待识别信号的时频图像,作为目标识别图像。
一个可选的实施例中,上述确定待识别信号的目标时频图像的步骤,可以表示为:
利用以下短时傅里叶变换公式,得到待识别信号的目标时频图像,也就是利用以下公式,对待识别信号进行短时傅里叶变换,得到待识别信号的目标时频图像。其中,短时傅里叶公式可以表示为:
Gf(w,u)=∫f(t)g(t-u)e-jwtdt
w为待识别信号的角频率,f为频率,t为时间t,u为预设时间窗口长度u,函数Gf(w,u)的值为频率分量的幅值,∫·dt为对t的积分操作,函数f(t)为待识别信号,函数g(t-u)为预设窗口函数,函数e-jwt为复变函数,e为自然常数,j为虚数单位。
在本发明实施例中,由于上述待识别信号往往是非平稳随机信号,若直接对待识别信号进行傅里叶变换,其傅里叶变换后的结果将存在一定的误差。为了提高上述目标时频图像的准确性,利用预设窗口函数对待识别信号进行短时傅里叶变换。也就是在将待识别信号由时域信号转换为频域信号时,通过较小的时间窗口,在待识别信号中截取时间窗口内的信号,并对截取到的信号进傅里叶变换。由于预设时间窗口的长度较小,使得该时间窗口内截取到的信号可以被认为是平稳随机信号,在待识别信号上移动该时间窗口,完成对待识别信号的短时傅里叶变换过程,进而可以得到目标时频图像。
以Wi-Fi信号、蓝牙信号以及ZigBee信号为例。在对Wi-Fi信号、蓝牙信号以及ZigBee信号进行短时傅里叶变换后,可以得到如图2所示的时频图像。其中,图2-a为本发明实施例提供的对Wi-Fi信号进行短时傅里叶变换后的一种时频图像。图2-b为本发明实施例提供的对蓝牙信号进行短时傅里叶变换后的一种时频图像。图2-c为本发明实施例提供的对ZigBee信号进行短时傅里叶变换后的一种时频图像。在图2-a、图2-b和图2-c中,水平方向表示信号的频率,竖直方向表示时间,时频图像中的黑色区域为多个采样点构成,每一采样点表示为对应采样点处频率分量的幅值。
一个可选的实施例中,上述预设窗口函数可以根据实际情况以及用户需求等选择不同的窗函数,如汉宁窗(Hanning)、汉明窗(Hamming)、布莱克曼窗(Blackman)等。
一个可选的实施例中,上述预设窗口函数的预设时间窗口长度可以根据时频图中的时间分辨率和频率分辨率确定。例如,当预设时间窗口长度越长时,预设时间窗口内所截取到的待识别信号也就越长,短时傅里叶变换后的频率分辨率越高,时间分辨率越低。当预设时间窗口长度越短时,预设时间窗口内所截取到的待识别信号也就越短,短时傅里叶变换后的频率分辨率越低,时间分辨率越高。
在本发明实施例中,对上述预设窗口函数以及预设时间窗口不作具体限定。
一个可选的实施例中,在确定上述待识别信号的目标时频图像之前,也就是对待识别信号进行短时傅里叶变换之前,电子设备可以对待识别信号进行一定的预处理。例如,对待识别信号进行滤波处理,滤除待识别信号中的噪声信号等。在本发明实施例中,对预处理过程以及方式不作具体限定。
步骤S103,提取目标时频图像的目标特征数据。
在本步骤中,电子设备可以对上述待识别信号的目标时频图像进行特征提取,得到目标特征数据。
一个可选的实施例中,可以利用预设算法或者预设网络模型对上述待识别信号进行特征提取,得到目标时频图像的目标特征数据。在此,对预设算法以及预设网络模型不作具体说明。
步骤S104,将目标特征数据输入预先训练好的信号识别模型,确定待识别信号的类型。
在本步骤中,将提取到的目标时频图像的目标特征数据输入预先训练好的信号识别模型中。根据该目标特征数据,以及该信号识别模型的结构及参数,可以得到待识别信号的类型。其中,信号识别模型是通过预设训练集训练得到的模型。预设训练集可以包括预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。
一个实施例中,上述信号识别模型在确定待识别信号的类型时,可以根据提取到的待识别信号的目标特征数据,以及预设训练集中样本信号的样本特征数据,确定目标特征数据与不同样本信号的样本特征数据之间的符合度的大小。根据确定的符合度,将与目标特征数据符合度最大的样本特征数据对应的样本信号的样本类别确定为待识别信号的类型。其中,符合度可以用马氏距离、欧式距离等表示,以欧式距离为例,若欧式距离越小,则上述符合度越大。若欧式距离越大,则上述符合度越小。
仍以上述Wi-Fi信号、蓝牙信号和ZigBee信号为例进行说明。若上述信号识别模型为针对这三种信号的识别模型,则上述样本信号为Wi-Fi信号、蓝牙信号和ZigBee信号,上述样本特征数据为Wi-Fi信号、蓝牙信号和ZigBee信号所对应的样本时频图像中的特征数据。
一个可选的实施例中,对于上述步骤S103,提取目标时频图像的目标特征数据,具体可以包括以下步骤。
步骤S1031,对目标时频图像进行特征提取,得到目标时频图像的多个特征点。
在本步骤中,电子设备可以利用上述预设算法或预设网络模型提取待识别信号的目标时频图像中的多个特征点,得到目标时频图像的多个特征点。
步骤S1032,采用K-means算法,对多个特征点进行聚类处理,得到K个类。
在本步骤中,电子设备可以利用K-means算法对提取到的目标时频图像的多个特征点进行聚类处理,得到K个类。
步骤S1033,确定K个类中每个类包括的特征点的数量。
在本步骤中,针对上述K个类中的每一个类,可以统计该类中包含的特征点的数量,从而确定K个类中每个类中包括的特征点的数量。
步骤S1034,根据每个类包括的特征点的数量,确定目标时频图像中的目标特征数据。
一个可选的实施例中,根据每个类包括的特征点的数量,构建目标时频图像的第一特征点分布图;将第一特征点分布图确定为目标时频图像中的目标特征数据。
具体的,电子设备可以根据每个类中包括的特征点的数量,以及每一特征点在上述目标时频图像中的位置,构建特征点的分布图,作为目标时频图像的第一特征点分布图。根据第一特征点分布图,电子设备可以确定上述目标时频图像的目标特征数据,如目标时频图像中特征点的分布情况,每一个类的分布情况以及每个类中包含的特征点的数量。
另一个可选的实施例中,根据每个类包括的特征点的数量,统计每个类包括的特征点在目标时频图像中出现的概率,并根据每个类对应的概率,构建目标时频图像的第二特征点分布图;将第二特征点分布图确定为目标时频图像中的目标特征数据。
具体的,电子设备可以根据每个类中包括的特征点的数量,统计每个类中包含特征点在目标时频图像中出现的概率,并根据每个类对应的概率,构建特征点分布图,作为目标时频图像的第二特征点分布图。电子设备可以确定上述目标时频图像的目标特征数据,如目标时频图像中特征点的分布情况,每一个类的分布情况以及每个类中包含的特征点的数量,每个类包含的特征点出现的概率等。
通过对目标时频图像进行特征提取,并对提取到的多个特征点进行聚类处理,得到目标特征数据,提高了目标特征数据的准确性,从而提高了信号识别模型确定待识别信号的类别的准确性,提高了信号识别效率。
一个可选的实施例中,在上述步骤S1031,对目标时频图像进行特征提取,得到目标时频图像的多个特征点的过程中,电子设备可以利用SURF算法,提取目标时频图像中的多个特征描述符,得到目标时频图像的多个特征点。具体可以包括以下步骤:
步骤S1031A,确定目标时频图像对应的积分图像。
在本步骤中,电子设备可以对上述目标时频图像进行积分处理,得到目标时频图像对应的积分图像。
在该积分图像中,若以该积分图像的左上角处的像素点为坐标原点,水平向右方向为X轴方向,竖直向下方向为Y轴方向,则坐标值为(x,y)处像素点的积分像素值为该像素点到该积分图像左上角的矩形区域中所有像素点的像素值的和,也就是该像素点与坐标原点构成矩形区域中所有像素点的像素值的和。具体可以表示为:
其中,I(x,y)为像素点(x,y)的积分像素值,I(xi,yj)为像素点(xi,yj)的像素值。
步骤S1031B,对积分图像进行卷积处理,得到目标时频图像对应的尺度空间。其中,尺度空间为在图像在不同解析度下的表现形式。
一个可选的实施例中,电子设备可以利用箱式滤波器处理上述积分图像,也就是不断改变箱式滤波器的大小,并将改变后的箱式滤波器与积分图像进行卷积,得到目标时频图像的高斯金字塔尺度空间,作为上述目标时频图像的尺度空间。
在构建上述高斯金字塔尺度空间时,也就是构建目标时频图像的尺度空间时,SURF算法采用黑塞(Hessian)矩阵行列式近似值图像,则像素点(x,y)的积分像素值的Hessian矩阵H(I(x,y))可以表示为:
其中,和为积分像素值I在像素点(x,y)处的二阶偏导的结果,I为像素点(x,y)处的积分像素值。
SURF算法利用二阶标准高斯函数g(x,y,σ)对上述Hessian矩阵行列式近似值图像进行卷积处理,构建高斯金字塔尺度空间,也就是构建目标时频图像的尺度空间。此时,对于上述像素点(x,y),在尺度为σ的情况下,上述Hessian矩阵可以表示为:
其中,Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)为在尺度为σ的情况下,二阶标准函数g(x,y,σ)的二阶偏导在像素点(x,y)处卷积的结果。
步骤S1031C,确定尺度空间中的多个特征点的位置,得到多个特征点。
在本步骤中,在尺度空间中选取上述H(x,y,σ)的局部最大值对应像素点的的位置,作为特征点的位置,得到多个特征点。
以图3-a为例进行说明,图3-a为本发明实施例提供的目标时频图像的尺度空间的一种示意图。其中,图像301为尺度为σi时目标时频图像与上述二阶标准高斯函数卷积后的图像,像素点302为图像301中的一像素点。在图像301的上方以及下方分别存在尺度为σi+1和σi-1对应的目标时频图像与二阶标准高斯函数卷积后的图像(图3-a中并未示出)。在确定图像302中的特征点时,如确定像素点302是否为特征点时,需要确定像素点302处的H(x,y,σ)是否为其相邻的26个像素点(图像301中与像素点302相邻的至多8个像素点,与图像301相邻的图像中与像素点302相邻的至多18个像素点)中最大的。若像素点302的H(x,y,σ)的值是最大的,则可以确定像素点302为特征点。若像素点H(x,y,σ)的值不是最大的,则可以确定像素点302不是特征点。
步骤S1031D,确定每一特征点的主方向。
在本步骤中,为了提高SURF算法对旋转变化的鲁棒性,也就是为了提高目标时频图像发生旋转后提取的特征点的鲁棒性,可以确定每一特征点的主方向。
为方便理解,以图3-b为例进行说明,图3-b为本发明实施例提供的特征点的主方向确定的一种示意图。在以特征点为圆心的圆形区域中,即区域303中,按照预设旋转角度,如α,在区域303中旋转扇形区域304,计算扇形区域304中的所有特征点在水平方向和垂直方向上的哈尔(Haar)小波的响应值,将扇形区域304中Haar小波累加值最大的扇形方向确定为特征点的主方向。其中,扇形区域的角度为预设角度,如60°。在本发明实施例中,对上述Haar小波的响应值的计算方法不作具体说明了。
步骤S1031E,针对每一特征点,根据该特征点的主方向,确定该特征点对应的特征向量,作为特征描述符。
在本步骤中,针对每一特征点,根据该特征点的主方向,选取预设大小的矩形区域,并将该矩形区域分割为多个子区域。统计每个子区域中预设数量的像素点在水平方向与垂直方向上Haar小波的响应值。根据水平方向Haar小波的响应值的和,水平方向Haar小波的响应值的绝对值的和,垂直方向Haar小波的响应值的和,以及垂直方向Haar小波的响应值的绝对值的和,生成特征向量,作为该特征点的特征描述符。其中,水平方向和垂直方向为相对该特征点主方向的水平方向和垂直方向。
上述特征点的特征描述符可以表示为:
其中,X为相对特征点的主方向的水平方向,Y为相对特征点的主方向的垂直方向,dX为水平方向的Haar小波的响应值,dY为在垂直方向的Haar小波的响应值,|·|表示绝对值。
以多个特征点中的特征点1为例进行说明,特征点1在上述尺度空间中对应的尺度为σ1,可以选取特征点1的主方向上边长为20σ1的正方形区域,作为上述预设大小的矩形区域。对该正方形区域分割为4*4=16个子区域,每个子区域为边长为20σ1/4=5σ1,则在每个子区域中可以包括5*5=25个像素点,也就是上述预设数量为25。针对每个子区域中包括的25个像素点,分别计算每一像素点在特征点1主方向的水平方向与垂直方向上确定该像素点的Haar小波的响应值,进而生成特征点1的特征描述符。
上述通过采用SURF算法提取目标时频图像中的特征点,除此以外,还可以采用尺度不变特征变换(Scale-invariant feature transform,SIFT)算法,面向快速和旋转简介(oriented FAST and rotated Brief,ORB)算法等预设算法,以及卷积神经网络的预设网络模型,提取目标时频图像中的特征点。在本发明实施例中,对上述特征点提取的算法不作具体限定。
一个可选的实施例中,对于上述步骤S1032,采用K-means算法,对多个特征点进行聚类处理,得到K个类,具体可以包括以下步骤。
步骤S1032A,从多个特征点中选取K个特征点,作为目标特征点。
在本步骤中,可以按照一定的规则,如随机选取或等间隔选取等规则,从提取到的多个特征点中,选取K个特征点,作为目标特征点。
在本发明实施例中,每一目标特征点对应一个特征的类,也就是K个目标特征点属于K个类。
步骤S1032B,针对每一其他特征点,确定该其他特征点与每一目标质心之间的距离,并将该其他特征点加入到距离最近的目标特征点所在的类中。
在本步骤中,针对除上述目标特征点以外的每一其他特征点,计算该其他特征点与K个目标特征点中每一目标特征点之间的距离。将该其他特征点加入距离该其他特征点距离最近的目标特征点所在的类中。
在本发明实施例中,上述其他特征点与目标特征点之间的距离表示的是该其他特征点与目标特征点对应的特征之间的相似度,距离越小,相似度越大;距离越大,相似度越小。另外,上述距离可以为欧式距离、闵可夫斯基距离以及曼哈顿距离等表示,在此,对上述距离不作具体限定。
步骤S1032C,根据聚类结果,确定K个类的聚类指标。其中,聚类指标优于衡量K个类的聚类效果。
一个可选的实施例中,利用以下公式,计算K个类的平方误差和(Sum of SquaredError,SSE),作为K个类的聚类指标。其中,K个类的聚类指标可以表示为:
SSE为K个类的聚类指标,也就是上述K个类的平方误差和,k为类的数量,i为第i个,j为第j个,Ai为第i个类,aj为Ai中第j个特征点,dist(aj,Ai)为特征点aj到Ai中目标特征点的距离。
步骤S1032D,判断聚类指标是否小于预设指标阈值。若否,则执行步骤S1032E。若是,则执行步骤S1032F。
在本步骤中,将确定的聚类指标与预设指标阈值进行比较,确定聚类指标是否小于预设指标阈值。若聚类指标小于预设指标阈值,则确定完成对多个特征点的聚类处理。若聚类指标不小于预设指标阈值,则确定为完成对多个特征点的聚类处理。
步骤S1032E,针对K个类中的每一类,重新确定该类的目标特征点,并返回执行步骤S1032B。
在本步骤中,当上述聚类指标不小于预设指标阈值时,也就是聚类指标大于或等于预设指标阈值时,电子设备可以针对K个类中的每一个类,重新确定该类的目标特征点,并返回执行上述针对每一其他特征点,确定该其他特征点与每一目标质心之间的距离,并将该其他特征点加入到距离最近的目标特征点所在的类中的步骤。
步骤S1032F,结束聚类处理过程,得到目标时频图像的目标特征数据。
在本步骤中,当上述聚类指标小于预设指标阈值时,电子设备可以确定聚类处理已经完成,结束聚类处理过程,确定聚类后的K个类为目标时频图像的目标特征数据。
上述对提取到的多个特征点进行聚类处理时,采用的是K-means算法。除此以外,还可以采用其他聚类算法,如基于密度的噪声应用空间聚类(Density-Based SpatialClustering of Applications with Noise,DBSCAN)算法等,在本发明实施例中,对上述聚类处理所采用的聚类算法不作具体限定。
通过对提取到的目标时频图像中的特征点进行聚类处理,得到目标时频图像的目标特征数据,使得目标特征数据分类清楚、准确、更具代表性,提高了目标特征数据的准确性,从而提高了信号识别模型识别待识别信号的类别的准确性,提高了信号识别效率。
综上所述,通过本发明实施例提供的方法,根据不同信号对应的时频图像中的特征数据的不同,利用训练好的信号识别模型,确定信号的类型,实现利用一台设备识别出不同类型的信号,不再需要为每一类型的信号单独配备对应的模块,降低了设备的成本,提高了信号识别效率。
一个可选的实施例中,对于上述信号识别模型,本发明实施例还提供了一种信号识别模型的训练方法。具体如图4所示,图4为本发明实施例提供的信号识别模型的训练方法的一种流程示意图。该方法包括以下步骤。
步骤S401,获取预设训练集。
在本步骤中,获取上述预设训练集,也就是预设频段内多个样本信号对应样本时频图像的样本特征数据,以及每一样本信号的样本类型。
具体的,在预设频段内获取多个样本信号,以及每一样本信号的样本类型。确定获取到的多个样本信号对应的样本时频图像,并提取样本时频图像中的样本特征数据。
在获取上述多个样本信号,以及每一样本信号的样本类型时,可以在预设频段内分别发送每一样本类型的样本信号,接收该样本信号。例如,样本信号为上述蓝牙信号、Wi-Fi信号和ZigBee信号,可以在预设频段内依次发送并接收蓝牙信号、Wi-Fi信号和ZigBee信号,将接收到的信号作为样本信号,并标记每一样本信号的样本类型。另外,关于样本信号的样本时频图像确定以及样本特征数据的提取方法,可以参照上述目标时频图像的确定和目标特征数据的提取方法,在此不作具体说明了。
对于上述预设训练集中可以包括不同类别的样本信号的样本时频图像。除此以外,预设训练集中还可以包括多个相同类型的样本信号的样本时频图像。以图5为例进行说明。图5-a、图5-b和图5-c均为本发明实施例提供的样本信号为蓝牙信号对应的样本时频图像。虽然图5-a、图5-b和图5-c都是蓝牙信号对应的样本时频图像,但是三者之间存在明显的差异,如图5-a与图5-b相比,蓝牙信号的频率分量的幅值在样本时频图像中的分布位置明显不同,图5-a和图5-b与图5-c相比,图5-c的样本时频图像的频率分辨率与时间分辨率与图5-a和图5-b对应的样本时频图像的频率分辨率与时间分辨率明显不同。
在本发明实施例中,对上述预设训练集中的数据不作具体限定。
步骤S402,将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型。
在本步骤中,将上述预设训练集中的多个样本特征数据分别输入预设的机器学习模型,得到每一样本信号对应的类型。
在本发明实施例中,上述机器学习模型可以为神经网络模型或分类器等,如卷积神经网络、支持向量机(Support Vector Machine,SVM)。在此,对上述机器学习模型不作具体限定。
步骤S403,根据确定的每一样本信号的类型和每一样本信号的样本类型,计算损失值。
在本步骤中,根据上述机器学习模型输出的每一样本信号的类型,以及预设训练集中每一样本信号的样本类型,计算损失值。
一个实施例中,针对每一样本信号,可以将该样本信号对应的机器学习模型输出的类型与该样本信号的样本类型进行比较,确定机器学习模型输出的类型是否正确。统计机器学习模型对样本信号的类型识别的错误率。
关于上述损失值也可以是其他数值。例如,损失值可以为机器学习模型对样本信号的类型识别的正确率的倒数。再例如,损失值也可以表示为上述SSE,如若机器学习模型输出的类别与样本信号的样本类别相同,则记为0;若机器学习模型输出的类别与样本信号的样本类别不相同,则记为1。将多个样本信号对应的SSE作为损失值。在本发明实施例中,对上述损失值不作具体限定。
步骤S404,判断损失值是否小于预设阈值。若否,则执行步骤S405。若是,则执行步骤S406。
在本步骤中,根据上述损失值,确定机器学习模型是否收敛。具体的,将上述计算得到的损失值与预设阈值进行比较,确定损失值是否小于预设阈值,进而确定机器学习模型是否收敛。当损失值小于预设阈值时,电子设备可以确定机器学习模型收敛。当损失值不小于预设阈值时,也就是大于或等于预设阈值时,电子设备可以确定机器学习模型未收敛。
以上述错误率为例进行说明,若错误率的预设阈值为2%。某一次训练时,计算得到的损失值为2.1%,2.1%>2%,则可以确定机器学习模型未收敛。另一次训练时,计算得到的损失值为1.9%,1.9%<2%,则可以确定机器学习模型收敛。
在本发明实施例中,对上述预设阈值不作具体限定。
步骤S405,调整预设的机器学习模型的参数,并返回执行上述步骤步骤S402。
在本步骤中,当上述损失值不小于预设阈值时,也就是机器学习模型未收敛时可以调整上述机器学习模型的参数,并返回执行上述步骤S402,也就是返回执行上述将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型的步骤。
上述调整机器学习模型的参数的方法包括但不限于梯度下降法、反向调节法等,在本发明实施例中,对机器学习模型中参数的调整方法不作具体限定。
步骤S406,将预设的机器学习模型确定为信号识别模型。
在本步骤中,当上述损失值小于预设阈值时,也就是机器学习模型收敛时,可以将预设的机器学习模型确定为上述信号识别模型。此时,该机器学习模型为上述步骤S104中的预先训练好的信号识别模型。
通过对机器学习模型的训练可以得到训练好的信号识别模型,利用训练好的信号识别模型可以准确的识别出待识别信号的类别,实现利用一台设备识别出不同类型的信号,不再需要为每一类型的信号单独配备对应的模块,降低了设备的成本,提高了信号识别效率。
此外,在现有的对射频信号进行识别时,电子设备除了根据通信协议的不同采用不同的通信模块识别射频信号以外,还可以对不同类型的射频信号进行能量检测,通过设定的能量阈值,识别每一射频信号。但是由于判决门限的确定较为困难,也就是能量阈值的较难确定,信噪比对能量检测检测结果的影响较大,以及不同类型的射频信号在同一频段可能出现重叠等原因,使得采用能量检测的方法识别射频信号的识别效果较差。与现有的采用能量检测方法识别射频信号相比,本申请实施例通过训练机器学习模型,得到信号识别模型,采用训练好的信号识别模型对确定待识别信号的类别的过程中,并不存在判决门限确定困难,信噪比以及信号重叠对信号识别结果影响较大的问题,这使得信号识别效果相对较好。
基于同一种发明构思,根据上述本发明实施例提供的信号识别方法,本发明实施例还提供了一种信号识别装置。具体如图6所示,图6为本发明实施例提供的信号识别装置的一种结构示意图。该装置包括以下模块。
第一获取模块601,用于获取预设频段内的待识别信号。
第一确定模块602,用于确定待识别信号的目标时频图像。
提取模块603,用于提取目标时频图像的目标特征数据。
第二确定模块604,用于将目标特征数据输入预先训练好的信号识别模型,确定待识别信号的类型,其中,信号识别模型是通过预设训练集训练得到的模型,预设训练集包括预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。
可选的,上述第一确定模块602,具体可以用于利用以下短时傅里叶变换公式,得到待识别信号的目标时频图像:
Gf(w,u)=∫f(t)g(t-u)e-jwtdt
其中,w为待识别信号的角频率,f为频率,t为时间t,u为预设时间窗口长度u,函数Gf(w,u)的值为频率分量的幅值,∫·dt为对t的积分操作,函数f(t)为待识别信号,函数g(t-u)为预设窗口函数,函数e-jwt为复变函数,e为自然常数,j为虚数单位。
可选的,上述提取模块603,可以包括:
提取子模块,用于对目标时频图像进行特征提取,得到目标时频图像的多个特征点。
聚类子模块,用于采用K-means聚类算法,对多个特征点进行聚类处理,得到K个类。
第一确定子模块,用于确定K个类中每个类包括的特征点的数量。
第二确定子模块,用于根据每个类包括的特征点的数量,确定目标时频图像中的目标特征数据。
可选的,上述提取子模块,具体可以用于利用SURF算法,提取目标时频图像中的多个特征描述符,得到目标时频图像的多个特征点。
可选的,上述第二确定子模块,具体可以用于根据每个类包括的特征点的数量,构建目标时频图像的第一特征点分布图;将第一特征点分布图确定为目标时频图像中的目标特征数据;或根据每个类包括的特征点的数量,统计每个类包括的特征点在目标时频图像中出现的概率,并根据每个类对应的概率,构建目标时频图像的第二特征点分布图;将第二特征点分布图确定为目标时频图像中的目标特征数据。
可选的,上述信号识别装置还可以包括:
第二获取模块,用于获取预设训练集。
第三确定模块,用于将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型。
计算模块,用于根据确定的每一样本信号的类型和每一样本信号的样本类型,计算损失值。
判断模块,用于判断损失值是否小于预设阈值。
调整模块,用于在判断模块的判断结果为否时,调整预设的机器学习模型的参数,返回执行将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型的步骤。
第四确定模块,用于在判断模块的判断为结果为是时,将预设的机器学习模型确定为信号识别模型。
通过本发明实施例提供的装置,根据不同信号对应的时频图像中的特征数据的不同,利用训练好的信号识别模型,确定信号的类型,实现利用一台设备识别出不同类型的信号,不再需要为每一类型的信号单独配备对应的模块,降低了设备的成本,提高了信号识别效率。
基于同一种发明构思,根据上述本发明实施例提供的信号识别方法,本发明实施例还提供了一种电子设备,如图7所示,图7为本发明实施例提供的电子设备的一种结构示意图。该电子设备包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信;
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现如下步骤:
获取预设频段内的待识别信号;
确定待识别信号的目标时频图像;
提取目标时频图像的目标特征数据;
将目标特征数据输入预先训练好的信号识别模型,确定待识别信号的类型,其中,信号识别模型是通过预设训练集训练得到的模型,预设训练集包括预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。
通过本发明实施例提供的电子设备,根据不同信号对应的时频图像中的特征数据的不同,利用训练好的信号识别模型,确定信号的类型,实现利用一台设备识别出不同类型的信号,不再需要为每一类型的信号单独配备对应的通信模块,降低了设备的成本,提高了信号识别效率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
基于同一种发明构思,根据上述本发明实施例提供的信号识别方法,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一信号识别方法的步骤。
基于同一种发明构思,根据上述本发明实施例提供的信号识别方法,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一信号识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质及计算机程序产品等实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种信号识别方法,其特征在于,包括:
获取预设频段内的待识别信号;
确定所述待识别信号的目标时频图像;
提取所述目标时频图像的目标特征数据;
将所述目标特征数据输入预先训练好的信号识别模型,确定所述待识别信号的类型,其中,所述信号识别模型是通过预设训练集训练得到的模型,所述预设训练集包括所述预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。
2.根据权利要求1所述的方法,其特征在于,所述确定所述待识别信号的目标时频图像的步骤,包括:
利用以下短时傅里叶变换公式,得到所述待识别信号的目标时频图像:
Gf(w,u)=∫f(t)g(t-u)e-jwtdt
其中,w为所述待识别信号的角频率,f为频率,t为时间t,u为预设时间窗口长度u,函数Gf(w,u)的值为频率分量的幅值,∫·dt为对t的积分操作,函数f(t)为所述待识别信号,函数g(t-u)为预设窗口函数,函数e-jwt为复变函数,e为自然常数,j为虚数单位。
3.根据权利要求1所述的方法,其特征在于,所述提取所述目标时频图像中的目标特征数据的步骤,包括:
对所述目标时频图像进行特征提取,得到所述目标时频图像的多个特征点;
采用K-means聚类算法,对所述多个特征点进行聚类处理,得到K个类;
确定K个类中每个类包括的特征点的数量;
根据每个类包括的特征点的数量,确定所述目标时频图像中的目标特征数据。
4.根据权利要求3所述的方法,其特征在于,所述对所述目标时频图像进行特征提取,得到所述目标时频图像的多个特征点的步骤,包括:
利用加速稳健特征SURF算法,提取所述目标时频图像中的多个特征描述符,得到所述目标时频图像的多个特征点。
5.根据权利要求3所述的方法,其特征在于,所述根据每个类包括的特征点的数量,确定所述目标时频图像中的目标特征数据的步骤,包括:
根据每个类包括的特征点的数量,构建所述目标时频图像的第一特征点分布图;将所述第一特征点分布图确定为所述目标时频图像中的目标特征数据;或,
根据每个类包括的特征点的数量,统计每个类包括的特征点在所述目标时频图像中出现的概率,并根据每个类对应的概率,构建所述目标时频图像的第二特征点分布图;将所述第二特征点分布图确定为所述目标时频图像中的目标特征数据。
6.根据权利要求1所述的方法,其特征在于,所述信号识别模型采用如下步骤训练得到,包括:
获取所述预设训练集;
将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型;
根据确定的每一样本信号的类型和每一样本信号的样本类型,计算损失值;
判断损失值是否小于预设阈值;
若否,则调整预设的机器学习模型的参数,返回执行所述将多个样本特征数据分别输入预设的机器学习模型,确定每一样本信号的类型的步骤;
若是,则将预设的机器学习模型确定为信号识别模型。
7.一种信号识别装置,其特征在于,包括:
第一获取模块,用于获取预设频段内的待识别信号;
第一确定模块,用于确定所述待识别信号的目标时频图像;
提取模块,用于提取所述目标时频图像的目标特征数据;
第二确定模块,用于将所述目标特征数据输入预先训练好的信号识别模型,确定所述待识别信号的类型,其中,所述信号识别模型是通过预设训练集训练得到的模型,所述预设训练集包括所述预设频段内多个样本信号对应的样本时频图像的样本特征数据,以及每一样本信号的样本类型。
8.根据权利要求7所述的装置,其特征在于,所述第一确定模块,具体用于利用以下短时傅里叶变换公式,得到所述待识别信号的目标时频图像:
Gf(w,u)=∫f(t)g(t-u)e-jwtdt
其中,w为所述待识别信号的角频率,f为频率,t为时间t,u为预设时间窗口长度u,函数Gf(w,u)的值为频率分量的幅值,∫·dt为对t的积分操作,函数f(t)为所述待识别信号,函数g(t-u)为预设窗口函数,函数e-jwt为复变函数,e为自然常数,j为虚数单位。
9.根据权利要求7所述的装置,其特征在于,所述提取模块,包括:
提取子模块,用于对所述目标时频图像进行特征提取,得到所述目标时频图像的多个特征点;
聚类子模块,用于采用K-means聚类算法,对所述多个特征点进行聚类处理,得到K个类;
第一确定子模块,用于确定K个类中每个类包括的特征点的数量;
第二确定子模块,用于根据每个类包括的特征点的数量,确定所述目标时频图像中的目标特征数据。
10.根据权利要求9所述的装置,其特征在于,所述提取子模块,具体用于利用加速稳健特征SURF算法,提取所述目标时频图像中的多个特征描述符,得到所述目标时频图像的多个特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371624.7A CN110097011A (zh) | 2019-05-06 | 2019-05-06 | 一种信号识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371624.7A CN110097011A (zh) | 2019-05-06 | 2019-05-06 | 一种信号识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110097011A true CN110097011A (zh) | 2019-08-06 |
Family
ID=67446963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910371624.7A Pending CN110097011A (zh) | 2019-05-06 | 2019-05-06 | 一种信号识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097011A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310700A (zh) * | 2020-02-27 | 2020-06-19 | 电子科技大学 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
CN111414847A (zh) * | 2020-03-18 | 2020-07-14 | 中电科海洋信息技术研究院有限公司 | 蛙人识别方法、装置、设备和介质 |
CN111464468A (zh) * | 2020-03-02 | 2020-07-28 | 南方科技大学 | 信号调制模式识别方法、装置、设备和可读存储介质 |
CN112188459A (zh) * | 2020-09-29 | 2021-01-05 | 普联技术有限公司 | 一种信号识别的方法、装置及设备 |
CN113065387A (zh) * | 2021-02-03 | 2021-07-02 | 中国船级社 | 一种机泵***的小波降噪方法及*** |
CN116578874A (zh) * | 2023-07-10 | 2023-08-11 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种基于网络协议的卫星信号属性判证方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559504A (zh) * | 2013-11-04 | 2014-02-05 | 北京京东尚科信息技术有限公司 | 图像目标类别识别方法及装置 |
CN106803081A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于多分类器集成的脑电分类方法 |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN108600135A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院计算技术研究所 | 一种信号调制方式的识别方法 |
CN108764114A (zh) * | 2018-05-23 | 2018-11-06 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种信号识别方法及其设备、存储介质、终端 |
CN109077714A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
CN109712128A (zh) * | 2018-12-24 | 2019-05-03 | 上海联影医疗科技有限公司 | 特征点检测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-05-06 CN CN201910371624.7A patent/CN110097011A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559504A (zh) * | 2013-11-04 | 2014-02-05 | 北京京东尚科信息技术有限公司 | 图像目标类别识别方法及装置 |
CN106803081A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于多分类器集成的脑电分类方法 |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN108600135A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院计算技术研究所 | 一种信号调制方式的识别方法 |
CN108764114A (zh) * | 2018-05-23 | 2018-11-06 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种信号识别方法及其设备、存储介质、终端 |
CN109077714A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
CN109712128A (zh) * | 2018-12-24 | 2019-05-03 | 上海联影医疗科技有限公司 | 特征点检测方法、装置、计算机设备和存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310700A (zh) * | 2020-02-27 | 2020-06-19 | 电子科技大学 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
CN111310700B (zh) * | 2020-02-27 | 2024-02-13 | 电子科技大学 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
CN111464468A (zh) * | 2020-03-02 | 2020-07-28 | 南方科技大学 | 信号调制模式识别方法、装置、设备和可读存储介质 |
CN111414847A (zh) * | 2020-03-18 | 2020-07-14 | 中电科海洋信息技术研究院有限公司 | 蛙人识别方法、装置、设备和介质 |
CN111414847B (zh) * | 2020-03-18 | 2023-07-21 | 中电科海洋信息技术研究院有限公司 | 蛙人识别方法、装置、设备和介质 |
CN112188459A (zh) * | 2020-09-29 | 2021-01-05 | 普联技术有限公司 | 一种信号识别的方法、装置及设备 |
CN112188459B (zh) * | 2020-09-29 | 2023-10-03 | 普联技术有限公司 | 一种信号识别的方法、装置及设备 |
CN113065387A (zh) * | 2021-02-03 | 2021-07-02 | 中国船级社 | 一种机泵***的小波降噪方法及*** |
CN116578874A (zh) * | 2023-07-10 | 2023-08-11 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种基于网络协议的卫星信号属性判证方法及装置 |
CN116578874B (zh) * | 2023-07-10 | 2023-11-21 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种基于网络协议的卫星信号属性判证方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097011A (zh) | 一种信号识别方法及装置 | |
CN106504233B (zh) | 基于Faster R-CNN的无人机巡检图像电力小部件识别方法及*** | |
CN106131959B (zh) | 一种基于Wi-Fi信号空间划分的两级定位方法 | |
CN108520023B (zh) | 一种基于混合聚类算法的雷暴核识别及追踪方法 | |
CN110927706A (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
CN109977731B (zh) | 一种场景的识别方法、识别设备及终端设备 | |
WO2019062734A1 (zh) | 基于Wi-Fi热点的室内定位方法及装置 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN111541511B (zh) | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 | |
CN110363076A (zh) | 人员信息关联方法、装置及终端设备 | |
CN104820718A (zh) | 基于地理位置特征与全局视觉特征的图像分类和检索方法 | |
CN105260698A (zh) | 对虹膜图像进行定位的方法和装置 | |
CN114189809B (zh) | 基于卷积神经网络与高维5g观测特征的室内定位方法 | |
CN103916820A (zh) | 基于接入点稳定度的无线室内定位方法 | |
WO2014106363A1 (zh) | 移动设备定位***及方法 | |
CN112541481A (zh) | 一种基于深度学习的对海探测雷达目标检测方法 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN110049549A (zh) | 基于WiFi指纹的多融合室内定位方法及其*** | |
CN106817677A (zh) | 一种基于多传感器的室内目标信息识别方法、装置及*** | |
TW202109357A (zh) | 視覺定位方法、電子設備及電腦可讀儲存介質 | |
CN116482720B (zh) | 一种基于机器学习理论的gnss欺骗干扰检测方法 | |
CN110366244A (zh) | 一种WiFi指纹室内定位方法 | |
CN115220007A (zh) | 一种针对姿态识别的雷达点云数据增强方法 | |
CN104463896B (zh) | 基于核相似区分布特性的图像角点检测方法及*** | |
CN108680897A (zh) | 一种室内定位方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190806 |