CN112566174B - 一种基于深度学习的异常i/q信号识别方法及*** - Google Patents

一种基于深度学习的异常i/q信号识别方法及*** Download PDF

Info

Publication number
CN112566174B
CN112566174B CN202011399508.5A CN202011399508A CN112566174B CN 112566174 B CN112566174 B CN 112566174B CN 202011399508 A CN202011399508 A CN 202011399508A CN 112566174 B CN112566174 B CN 112566174B
Authority
CN
China
Prior art keywords
signal
data
neural network
network structure
abnormal
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.)
Active
Application number
CN202011399508.5A
Other languages
English (en)
Other versions
CN112566174A (zh
Inventor
瞿崇晓
范长军
张永晋
夏少杰
柳明
高翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 52 Research Institute
Original Assignee
CETC 52 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 52 Research Institute filed Critical CETC 52 Research Institute
Priority to CN202011399508.5A priority Critical patent/CN112566174B/zh
Publication of CN112566174A publication Critical patent/CN112566174A/zh
Application granted granted Critical
Publication of CN112566174B publication Critical patent/CN112566174B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W76/00—Connection management
    • H04W76/20—Manipulation of established connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的异常I/Q信号识别方法及***，方法包括获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量；对原始I/Q信号进行预处理，形成训练数据集；构建信号识别模型，信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构；基于训练数据集对所述信号识别模型进行训练；利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，I/Q信号识别结果包括类别及其置信度，类别为正常信号或异常信号。本发明旨在解决异常I/Q信号识别成本高、准确率低的问题。

Description

一种基于深度学习的异常I/Q信号识别方法及***
技术领域
本发明属于无线信号识别技术领域，具体涉及一种基于深度学习的异常I/Q信号识别方法及***。
背景技术
在无线通信领域中为了拓展信号处理带宽，基于I/Q正交调制解调的变频技术变得日益流行。基于I/Q正交调制解调的变频技术能够简化变频次数，具有高集成、低功耗等优点，并为数字化处理提供了灵活的I/Q通道。
在电子战应用中，当对战方在未经授权的频带带宽，或者未经授权的设备上采用某种发射方式工作时，会出现频带访问增强现象，亟需通过异常信号检测技术进行检测；此外，在无线电通讯中，异常信号检测还提供了快速识别其许可频段内的干扰发射器、故障设备或恶意攻击的能力，以方便及时地采取行动。
此类应用大多数都集中在检测传感器的指纹特征或专家特征的变化上，而没有关注在高速率原始物理层无线电信号本身中的异常情况，容易带来识别误差。并且，特征提取对应的专家***往往对人员的专业性和设备的计算能力有较高的要求，实施成本也非常的高昂。
发明内容
本发明的目的在于提供一种基于深度学习的异常I/Q信号识别方法及***，旨在解决异常I/Q信号识别成本高、准确率低的问题。
为实现上述目的，本发明所采取的技术方案为：
一种基于深度学习的异常I/Q信号识别方法，所述基于深度学习的异常I/Q信号识别方法，包括：
步骤1、获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量；
步骤2、对所述原始I/Q信号进行预处理，形成训练数据集，包括：
步骤2.1、采用一维低通滤波器分别对I(t)和Q(t)信号分量进行滤波操作；
步骤2.2、对滤波后的I(t)和Q(t)信号分量分别采用滑动窗口进行分割，分割得到I(t)和Q(t)信号分量的多段长度相同的信号样本；
步骤2.3、逐段分别将I(t)和Q(t)信号分量进行对应拼接，形成一路包含多段复数信号样本的数据序列，并对每段复数信号样本进行时频分析得到二维时频图，再将二维时频图转化为一维数据；
步骤2.4、将转化后得到的一维数据中的复数结构进行拆分得到两路频域表征数据，并分别计算原来的包含多段复数信号样本的数据序列和转化后得到的一维数据中每个复数的模，再得到两路模数据；
步骤2.5、逐段将分割得到的I(t)和Q(t)两路信号分量、两路频域表征数据和两路模数据按照滑动窗口的划分进行对应拼接，得到六路信号数据，以构建训练数据集；
步骤3、构建信号识别模型，所述信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构，所述卷积神经网络结构用于提取输入数据的空间特征，所述循环神经网络结构在所述空间特征基础上提取时序特征得到时空域特征，所述全连接神经网络结构基于所述时空域特征输出I/Q信号识别结果；
步骤4、基于所述训练数据集对所述信号识别模型进行训练；
步骤5、利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，所述I/Q信号识别结果包括类别及其置信度，所述类别为正常信号或异常信号。
以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
作为优选，所述卷积神经网络结构包括依次连接的多层复合网络层，所述复合网络层包括由数据输入侧至数据输出层依次连接的卷积层和最大池化层。
作为优选，所述卷积神经网络结构还包括Inception结构，所述Inception结构包括连接在最后一个复合网络层上的四个分支，所有分支的输出叠加作为卷积神经网络结构输出的空间特征；
第一分支采用了一层1×1卷积；第二分支包括两个卷积层，对应卷积核大小分别为1×1和2×1；第三分支采用了卷积核大小分别为1×1和4×1的两个卷积层；第四分支先进行了窗口大小为2的平均池化操作，并紧跟一个卷积核大小为1×1的卷积层。
本发明还提供一种基于深度学习的异常I/Q信号识别***，所述基于深度学习的异常I/Q信号识别***，包括：
信号获取模块，用于获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量；
信号处理模块，用于对所述原始I/Q信号进行预处理，形成训练数据集，具体执行如下操作：
采用一维低通滤波器分别对I(t)和Q(t)信号分量进行滤波操作；
对滤波后的I(t)和Q(t)信号分量分别采用滑动窗口进行分割，分割得到I(t)和Q(t)信号分量的多段长度相同的信号样本；
逐段分别将I(t)和Q(t)信号分量进行对应拼接，形成一路包含多段复数信号样本的数据序列，并对每段复数信号样本进行时频分析得到二维时频图，再将二维时频图转化为一维数据；
将转化后得到的一维数据中的复数结构进行拆分得到两路频域表征数据，并分别计算原来的包含多段复数信号样本的数据序列和转化后得到的一维数据中每个复数的模，再得到两路模数据；
逐段将分割得到的I(t)和Q(t)两路信号分量、两路频域表征数据和两路模数据按照滑动窗口的划分进行对应拼接，得到六路信号数据，以构建训练数据集；
模型构建模块，用于构建信号识别模型，所述信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构，所述卷积神经网络结构用于提取输入数据的空间特征，所述循环神经网络结构在所述空间特征基础上提取时序特征得到时空域特征，所述全连接神经网络结构基于所述时空域特征输出I/Q信号识别结果；
模型训练模块，用于基于所述训练数据集对所述信号识别模型进行训练；
信号识别模块，用于利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，所述I/Q信号识别结果包括类别及其置信度，所述类别为正常信号或异常信号。
作为优选，所述卷积神经网络结构包括依次连接的多层复合网络层，所述复合网络层包括由数据输入侧至数据输出层依次连接的卷积层和最大池化层。
作为优选，所述卷积神经网络结构还包括Inception结构，所述Inception结构包括连接在最后一个复合网络层上的四个分支，所有分支的输出叠加作为卷积神经网络结构输出的空间特征；
第一分支采用了一层1×1卷积；第二分支包括两个卷积层，对应卷积核大小分别为1×1和2×1；第三分支采用了卷积核大小分别为1×1和4×1的两个卷积层；第四分支先进行了窗口大小为2的平均池化操作，并紧跟一个卷积核大小为1×1的卷积层。
本发明还提供一种基于深度学习的异常I/Q信号识别***，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于深度学习的异常I/Q信号识别方法的步骤。
本发明提供的基于深度学习的异常I/Q信号识别方法，不同于现有基于人工设计的表示特征的方法，本发明采用深度学习技术对原始的I/Q信号进行异常检测，以实现对各类原始信号的异常识别。该方法能够自动提取原始I/Q信号中更具表征能力的特征，并具有强大的分类建模能力；其不依赖于特定领域或特定场景下的特征分析与专家知识，能够以较低的成本实现更为准确的异常识别。
附图说明
图1为本发明的基于深度学习的异常I/Q信号识别方法的流程图；
图2为本发明具体实例中基于深度学习的异常I/Q信号识别方法的流程图；
图3为本发明离线训练阶段的流程图；
图4为本发明卷积神经网络结构的一种结构示意图；
图5为本发明循环神经网络结构的一种结构示意图；
图6为本发明在线识别阶段的流程图。
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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本发明。
其中一个实施例中，提供一种基于深度学习的异常I/Q信号识别方法，能够在实施成本较低的前提下准确识别异常的I/Q信号，在电子战、通讯、广播等领域具有重大的应用意义。
本实施例的基于深度学习的异常I/Q信号识别方法的具体实现步骤如图1所示，包括以下步骤：
步骤1、获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量。
原始I/Q信号包括两路信号分量，分别为I(t)＝A(t)cos(φ(t)-θ)和Q(t)＝-A(t)sin(φ(t)-θ)。因此本实施例中将原始I/Q信号作为独立的两路信号进行分析，以便于获得更多的有效特征。
步骤2、对所述原始I/Q信号进行预处理，形成训练数据集，包括：
步骤2.1、采用一维低通滤波器分别对I(t)和Q(t)信号分量进行滤波操作。
本实施例优选采用常用的一维低通滤波器-巴特沃斯滤波器分别对I(t)和Q(t)两路信号分量进行滤波操作，以去除信号中的高频噪音。但本发明并不限定特定的滤波器类型，其他常用的一维信号滤波器也可以采用，比如可以采用高斯滤波器来消除信号在通信过程中产生的白噪声，也可使用切比雪夫滤波器等。滤波器截止频率可按照信号类型的不同根据经验值来设定，也可根据信号数据的统计信息来设定。
步骤2.2、对滤波后的I(t)和Q(t)信号分量分别采用滑动窗口进行分割，分割得到I(t)和Q(t)信号分量的多段长度相同的信号样本。
由于信号是随着时间持续存在的，而神经网络的训练和识别精于对定长数据进行处理，因此本实施例采用滑动窗口进行分割处理。进行滑动分割的窗口的长度根据信号频带宽度和采样频率来进行选定，滑动的步进宽度一般取用窗口长度的一定比例，比如选用1/2的时间窗口。本实施例优选以128个样本点作为窗口长度为例，并将步进值选为64个样本点。
步骤2.3、逐段分别将I(t)和Q(t)信号分量进行对应拼接，形成一路包含多段复数信号样本的数据序列，并对每段复数信号样本进行时频分析得到二维时频图，再将二维时频图转化为一维数据。
在拼接I(t)和Q(t)信号分量的信号样本后，形成一路包含多段复数信号样本的数据序列IQcomplex，即{Ik+Qk*j|k∈(1,128)}，j为对应的虚数单位。然后对的数据序列IQcomplex进行基本的时频分析，以清楚表征信号频率随时间变化的关系。
时频分析可抽取每个滑动时间窗口中信号的频域信息，扩展对雷达信号的表示。本实施例优选利用短时傅里叶变换来依次将连续重叠的多个一小段时间窗口内的信号进行频谱分析，具体地，采用STFT来将一个短时窗口内的时域信号转化为频域的表示，并选用spectrogram函数来进行求解，得到二维时频图。
在原始I/Q信号中，I(t)和Q(t)信号分量均为一维数据，为了便于各类型数据的统一应用，需要将时频分析后的二维时频图同样转化为一维数据STFcomplex。在转化时以时间为变量，按照时间分布提取出频率数据作为转化后的一维数据。
步骤2.4、将转化后得到的一维数据中的复数结构进行拆分得到两路频域表征数据，并分别计算原来的包含多段复数信号样本的数据序列和转化后得到的一维数据中每个复数的模，再得到两路模数据。
由于进行时频分析后的数据序列为复数结构的复数信号样本，因此可以将一维数据进行复数结构的拆分，得到两路在频域对信号进行表征的数据。
对于复数形式的数据而言，需要从实部和虚部两个方面来进行分析，能够较为贴切的反应信号的变化，但是无法直接得出数据大小，因此本实施例中还引进了复数的模作为样本数据，对时频分析前后的复数结构的数据序列分别进行模计算，得到两路模数据。
模数据的引入不仅增加了对原始I/Q信号的多方位利用，避免过于单薄的样本容易出现识别误差的问题；而且，对于两个信号分量和两路在频域进行表征的数据而言，它们均为单一的I(t)信号或Q(t)信号的数据，而复数模的引入增加了融合I(t)信号和Q(t)信号的数据，改进了单一信号分量的分析容易受噪声或波动点影响的不足，从而有效提高本实施例中对I/Q信号的识别准确率。
步骤2.5、逐段将分割得到的I(t)和Q(t)两路信号分量、两路频域表征数据和两路模数据按照滑动窗口的划分进行对应拼接，得到六路信号数据，以构建训练数据集。
本发明基于原始I/Q信号处理后共得到6通道信号数据，将这些样本进行拼接得到神经网络的训练数据，可表示为
Figure BDA0002812057650000061
其中，n_samples表示样本数量，n_channels表示数据通道数，此处为6，n_win表示滑动窗口长度，此处为128。
需要说明的是，本实施例基于6通道信号数据进行自动表征学习，保证具有全面有效的特征利用，以提高信号识别准确率。但在其他实施例中，当对识别准确率要求不高的前提下，可以直接将原始I/Q信号的两路信号分量输入神经网络进行自动表征学习。即在本发明6通道信号数据的基础上，进行简单的通道信号数据改变或组合的形式均属于本发明的保护范围。
步骤3、构建信号识别模型，所述信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构，所述卷积神经网络结构用于提取输入数据的空间特征，所述循环神经网络结构在所述空间特征基础上提取时序特征得到时空域特征，所述全连接神经网络结构基于所述时空域特征输出I/Q信号识别结果。
本实施例采用卷积神经网络结构提取I/Q信号的空间特征，采用循环神经网络结构提取I/Q信号的时序特征，从时空域两个层面对I/Q信号进行自动表征学习，学习效果好，对I/Q信号的剖析全面，并通过全连接神经网络结构对I/Q信号的特征进行建模，识别出异常I/Q信号。
其中，卷积神经网络层结构的输入为IQtrain，输出为空间特征集XS。由于I(t)、Q(t)都是一维信号，因此对此两路信号数据以及预处理后得到的四路数据交替采用一维卷积操作和最大池化操作。卷积核和池化窗口尺寸的选择可按照信号类型的不同根据经验值来设定，也可根据信号数据的统计信息来设定。
具体地，在一个实施例中，卷积神经网络结构包括依次连接的多层复合网络层，所述复合网络层包括由数据输入侧至数据输出层依次连接的卷积层和最大池化层。
进一步为了增加网络结构的宽度，卷积神经网络结构还包括Inception结构，所述Inception结构体现在复合网络层后的四个分支，即Inception结构包括连接在最后一个复合网络层上的四个分支，所有分支的输出叠加作为卷积神经网络结构输出的空间特征。
其中第一分支采用了一层1×1卷积；第二分支包括两个卷积层，对应卷积核大小分别为1×1和2×1；第三分支采用了卷积核大小分别为1×1和4×1的两个卷积层；第四分支先进行了窗口大小为2的平均池化操作，并紧跟一个卷积核大小为1×1的卷积层。内嵌的Inception网络结构能够增加网络宽度，减少计算的参数量，高效准确地进行异常I/Q信号的识别。
循环神经网络结构基于现有的网络结构实现，例如采用RNN网络、LSTM网络、GRU网络等；全连接神经网络结构同样基于现有的网络结构实现，利用多层全连接层组成，这里就不再进行赘述。
步骤4、基于所述训练数据集对所述信号识别模型进行训练。容易理解的是，对神经网络模型进行训练为深度学习神经网络领域较为成熟的技术，这里就不进行详细描述。
步骤5、利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，所述I/Q信号识别结果包括类别及其置信度，所述类别为正常信号或异常信号。
与训练信号识别模型相对应的是，若训练时直接采用滤波后的I(t)和Q(t)信号分量进行训练的，则在识别时同样需要将待识别的I/Q信号进行滤波后得到I(t)和Q(t)信号分量输入至信号识别模型中进行识别；若训练时采用本实施例优选的6通道信号数据进行训练的，则在识别时同样需要将待识别的I/Q信号进行转换得到6通道信号数据后输入至信号识别模型中进行识别。
本实施例能够自动提取原始I/Q信号中更具表征能力的特征，并具有强大的分类建模能力；它不依赖于特定领域或特定场景下的特征分析与专家知识，能够以较低的成本实现更为准确的异常识别。
为了进一步说明本发明的基于深度学习的异常I/Q信号识别方法，以下通过一具体实例进行描述。
如图2所示，本实施例中的基于深度学习的异常I/Q信号识别方法主要包括离线训练阶段和在线识别阶段，离线训练阶段主要在具有GPU计算资源的后台服务器上实现，利用获取的I/Q信号作为训练数据输入至信号识别模型中进行训练，并在训练后导出网络模型用于在线识别；在线识别阶段主要在内嵌计算板卡的前端实时异常识别设备(比如机载雷达分析仪)上执行，输出识别后的实时信号至反馈与报警机制，从而实现对异常I/Q信号的及时识别与处理。
如图3所示，离线训练阶段的具体实现步骤如下：
一、采集原始I/Q信号，得到I(t)和Q(t)两路信号。
二、对原始I/Q信号进行预处理，具体包括：
1)采用常用的一维低通滤波器巴特沃斯滤波器分别对I(t)和Q(t)两路信号进行滤波操作，以去掉高频噪声。
2)对I(t)和Q(t)两路信号分别采用滑动窗口进行分割，分割成长度相同的信号样本。此处长度以128个样本点为例。
3)将I(t)和Q(t)两路信号进行拼接，形成一路复数信号样本数据序列IQcomplex，即{Ik+Qk*j|k∈(1,128)}，并进行基本的时频分析，然后选用spectrogram函数来进行求解，得到二维时频图，然后将其转换成一维数据STFcomplex以方便与原I/Q信号的并联拼接。
4)将原始的I(t)和Q(t)两路信号、时频分析后STFcomplex拆分得到的两路频域表征数据，以及分别计算IQcomplex和STFcomplex的模得到的两路模数据，共6通道信号数据进行拼接，以得到神经网络的训练数据，可表示为
Figure BDA0002812057650000091
Figure BDA0002812057650000092
其中，n_samples表示样本数，n_channels表示数据通道数，此处为6，n_win表示滑动窗口长度，此处为128。
三、设计卷积神经网络结构，本实施例中设计的卷积神经网络结构为带有Inception的结构，具体如图4所示：
1)为方便进行后续的卷积操作，先将训练数据IQtrain的维度进行转换，调整为
Figure BDA0002812057650000093
并且，在训练时采用mini-batch的优化方法，每次输入一批数据。批大小表示为n_batch，则卷积神经网络的输入为(n_batch,n_win,n_channels)，以n_batch＝1024为例，则
Figure BDA0002812057650000094
2)卷积网络的前四层为顺序执行的四个“卷积+池化”操作，卷积核为一维的，并选用最大池化操作，具体为Conv(kernel_size＝2,strides＝1,filters＝16)、max(pool_size＝2,strides＝2)、Conv(kernel_size＝3,strides＝1,filters＝16)、max(pool_size＝4,strides＝2)、Conv(kernel_size＝4,strides＝1,filters＝32)、max(pool_size＝2,strides＝2)、Conv(kernel_size＝5,strides＝1,filters＝32)max(pool_size＝4,strides＝2)，并输出大小为(n_batch,8,32)的输出；
3)在上一步骤输出的基础上，分别进行四种不同的操作，主要包括3个1×1的卷积操作和一个窗口大小为2的平均池化操作，对应的滤波器个数分别为32，16，16。然后，对上述四个输出中的后三个再进行一层卷积操作，将滤波器的个数统一设为32，卷积核大小分别设为2×1、4×1和1×1。经过这些不同空间尺度的卷积和池化计算，可得到四个并列的大小为(n_batch,8,32)的输出。
4)将上述四个输出在通道维度进行并联，得到大小为(n_batch,8,128)的卷积层神经网络输出XS。通过这种形式，对信号不同大小感受野的信息进行描述，实现了不同空间尺度特征的融合，使其具有更强的表征能力，并减少了需要计算的参数量。
四、设计循环神经网络结构，用于提取信号的时序特征XS_T。该网络层的输入为卷积层的输出XS，输出为时序特征集XS_T。这里选择采用长短时记忆循环神经网络LSTM来提取输入数据的时序特征，以应对训练过程中的梯度消失和梯度***问题。
如图5所示，XS在输入到LSTM网络之前要先进行数据维度的转化，以便使在LSTM上的时序建模与样本在时间序列上的采样相对应，数据维度转化为序列学习的方向和时间轴的方向一致；并且，在输入LSTM网络层前先让XS经过一层全连接网络层，以对卷积神经网络的输出进行融合处理。此外，在LSTM网络中采用Dropout层，使网络中的部分节点失活，以防止过拟合。
LSTM的层数一般根据实际情况来选择，此处选用2层，但具体应用场景下可取不同的网络层数。LSTM单元的隐藏节点数可根据XS的维度和经验值来决定，此处选择64。LSTM单元的时序推理的序列步数根据上一步得到的数据维度来决定，此处为8。经过两层LSTM网络，得到原始I/Q信号的时空域特征XS_T。
五、设计全连接神经网络结构，包括多个全连接神经网络层，对得到的时空域特征XS_T进行二元分类。其输入为上述提取的时空域特征XS_T，输出为信号是“正常信号”或“异常信号”的判定，以及它们分别对应的置信度。由于是二元分类，激活函数可选择Sigmoid，也可选更为通用的Softmax。优化函数可选择Adam或RMSProp，此处不做具体限定。
六、在具有GPU计算资源的服务器上，对步骤三～步骤五中设计的信号识别模型进行迭代训练，得到效果最优的信号识别模型AnomalyIQ；将其经过稀疏化、量化操作来进行优化，并固化后导出，以备后续的在线异常信号识别使用。模型的优化和导出可借助当前流行的深度学习框架，如Tensorflow、Caffe和Pytorch等，具体视情况进行选择。
如图6所示，在线识别阶段的具体实现步骤如下：
1)将训练好的AnomalyIQ模型导入带有计算板卡的前端设备，比如机载雷达分析仪。
2)对雷达接收机采集的无线电数据进行实时解析，对解析得到的I/Q双通道信号进行如离线训练阶段的步骤二相同的在线预处理，包括降噪滤波、加窗分割、插值补全数据以及短时时频分析等。
3)将步骤2)中得到的数据样本通过AnomalyIQ进行在线实时推理和识别，得到待识别信号的类别结果及其置信度。
4)如果检测的结果为“异常信号”，则通过前端设备上的反馈与报警机制通知相关人员进行处理。可根据具体的应用设定分级的报警处理机制。比如，当异常信号的置信度在50％～75％之间时，可提醒专业人员多加关注，当异常信号的置信度在75％～90％之间时，需要专业人员进行人工复审，当异常信号的置信度大于90％，立即触发相应的应急预案机制。
5)循环重复上述步骤，为用户提供持续的异常信号检测与识别服务。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在另一实施例中，一种基于深度学习的异常I/Q信号识别***，其特征在于，所述基于深度学习的异常I/Q信号识别***，包括：
信号获取模块，用于获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量；
信号处理模块，用于对所述原始I/Q信号进行预处理，形成训练数据集，具体执行如下操作：
采用一维低通滤波器分别对I(t)和Q(t)信号分量进行滤波操作；
对滤波后的I(t)和Q(t)信号分量分别采用滑动窗口进行分割，分割得到I(t)和Q(t)信号分量的多段长度相同的信号样本；
逐段分别将I(t)和Q(t)信号分量进行对应拼接，形成一路包含多段复数信号样本的数据序列，并对每段复数信号样本进行时频分析得到二维时频图，再将二维时频图转化为一维数据；
将转化后得到的一维数据中的复数结构进行拆分得到两路频域表征数据，并分别计算原来的包含多段复数信号样本的数据序列和转化后得到的一维数据中每个复数的模，再得到两路模数据；
逐段将分割得到的I(t)和Q(t)两路信号分量、两路频域表征数据和两路模数据按照滑动窗口的划分进行对应拼接，得到六路信号数据，以构建训练数据集；
模型构建模块，用于构建信号识别模型，所述信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构，所述卷积神经网络结构用于提取输入数据的空间特征，所述循环神经网络结构在所述空间特征基础上提取时序特征得到时空域特征，所述全连接神经网络结构基于所述时空域特征输出I/Q信号识别结果；
模型训练模块，用于基于所述训练数据集对所述信号识别模型进行训练；
信号识别模块，用于利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，所述I/Q信号识别结果包括类别及其置信度，所述类别为正常信号或异常信号。
关于基于深度学习的异常I/Q信号识别***的具体限定可以参见上文中对于基于深度学习的异常I/Q信号识别方法的限定，在此不再赘述。
在另一个实施例中，所述卷积神经网络结构包括依次连接的多层复合网络层，所述复合网络层包括由数据输入侧至数据输出层依次连接的卷积层和最大池化层。
在另一个实施例中，所述卷积神经网络结构还包括Inception结构，所述Inception结构包括连接在最后一个复合网络层上的四个分支，所有分支的输出叠加作为卷积神经网络结构输出的空间特征；
第一分支采用了一层1×1卷积；第二分支包括两个卷积层，对应卷积核大小分别为1×1和2×1；第三分支采用了卷积核大小分别为1×1和4×1的两个卷积层；第四分支先进行了窗口大小为2的平均池化操作，并紧跟一个卷积核大小为1×1的卷积层。
在另一个实施例中，本申请还提供一种计算机设备，即一种基于深度学习的异常I/Q信号识别***，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于深度学习的异常I/Q信号识别方法的步骤。
计算机设备可以是终端，其内部结构可以包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，计算机设备的处理器用于提供计算和控制能力。计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述基于深度学习的异常I/Q信号识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于深度学习的异常I/Q信号识别方法，其特征在于，所述基于深度学习的异常I/Q信号识别方法，包括：
步骤1、获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量；
步骤2、对所述原始I/Q信号进行预处理，形成训练数据集，包括：
步骤2.1、采用一维低通滤波器分别对I(t)和Q(t)信号分量进行滤波操作；
步骤2.2、对滤波后的I(t)和Q(t)信号分量分别采用滑动窗口进行分割，分割得到I(t)和Q(t)信号分量的多段长度相同的信号样本；
步骤2.3、逐段分别将I(t)和Q(t)信号分量进行对应拼接，形成一路包含多段复数信号样本的数据序列，并对每段复数信号样本进行时频分析得到二维时频图，再将二维时频图转化为一维数据；
步骤2.4、将转化后得到的一维数据中的复数结构进行拆分得到两路频域表征数据，并分别计算原来的包含多段复数信号样本的数据序列和转化后得到的一维数据中每个复数的模，再得到两路模数据；
步骤2.5、逐段将分割得到的I(t)和Q(t)两路信号分量、两路频域表征数据和两路模数据按照滑动窗口的划分进行对应拼接，得到六路信号数据，以构建训练数据集；
步骤3、构建信号识别模型，所述信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构，所述卷积神经网络结构用于提取输入数据的空间特征，所述循环神经网络结构在所述空间特征基础上提取时序特征得到时空域特征，所述全连接神经网络结构基于所述时空域特征输出I/Q信号识别结果；
步骤4、基于所述训练数据集对所述信号识别模型进行训练；
步骤5、利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，所述I/Q信号识别结果包括类别及其置信度，所述类别为正常信号或异常信号。
2.如权利要求1所述的基于深度学习的异常I/Q信号识别方法，其特征在于，所述卷积神经网络结构包括依次连接的多层复合网络层，所述复合网络层包括由数据输入侧至数据输出层依次连接的卷积层和最大池化层。
3.如权利要求2所述的基于深度学习的异常I/Q信号识别方法，其特征在于，所述卷积神经网络结构还包括Inception结构，所述Inception结构包括连接在最后一个复合网络层上的四个分支，所有分支的输出叠加作为卷积神经网络结构输出的空间特征；
第一分支采用了一层1×1卷积；第二分支包括两个卷积层，对应卷积核大小分别为1×1和2×1；第三分支采用了卷积核大小分别为1×1和4×1的两个卷积层；第四分支先进行了窗口大小为2的平均池化操作，并紧跟一个卷积核大小为1×1的卷积层。
4.一种基于深度学习的异常I/Q信号识别***，其特征在于，所述基于深度学习的异常I/Q信号识别***，包括：
信号获取模块，用于获取原始I/Q信号，得到I(t)和Q(t)信号分量，其中t为时间变量；
信号处理模块，用于对所述原始I/Q信号进行预处理，形成训练数据集，具体执行如下操作：
采用一维低通滤波器分别对I(t)和Q(t)信号分量进行滤波操作；
对滤波后的I(t)和Q(t)信号分量分别采用滑动窗口进行分割，分割得到I(t)和Q(t)信号分量的多段长度相同的信号样本；
逐段分别将I(t)和Q(t)信号分量进行对应拼接，形成一路包含多段复数信号样本的数据序列，并对每段复数信号样本进行时频分析得到二维时频图，再将二维时频图转化为一维数据；
将转化后得到的一维数据中的复数结构进行拆分得到两路频域表征数据，并分别计算原来的包含多段复数信号样本的数据序列和转化后得到的一维数据中每个复数的模，再得到两路模数据；
逐段将分割得到的I(t)和Q(t)两路信号分量、两路频域表征数据和两路模数据按照滑动窗口的划分进行对应拼接，得到六路信号数据，以构建训练数据集；
模型构建模块，用于构建信号识别模型，所述信号识别模型包括卷积神经网络结构、循环神经网络结构、全连接神经网络结构，所述卷积神经网络结构用于提取输入数据的空间特征，所述循环神经网络结构在所述空间特征基础上提取时序特征得到时空域特征，所述全连接神经网络结构基于所述时空域特征输出I/Q信号识别结果；
模型训练模块，用于基于所述训练数据集对所述信号识别模型进行训练；
信号识别模块，用于利用训练至最优的信号识别模型对待识别的I/Q信号输出I/Q信号识别结果，所述I/Q信号识别结果包括类别及其置信度，所述类别为正常信号或异常信号。
5.如权利要求4所述的基于深度学习的异常I/Q信号识别***，其特征在于，所述卷积神经网络结构包括依次连接的多层复合网络层，所述复合网络层包括由数据输入侧至数据输出层依次连接的卷积层和最大池化层。
6.如权利要求5所述的基于深度学习的异常I/Q信号识别***，其特征在于，所述卷积神经网络结构还包括Inception结构，所述Inception结构包括连接在最后一个复合网络层上的四个分支，所有分支的输出叠加作为卷积神经网络结构输出的空间特征；
第一分支采用了一层1×1卷积；第二分支包括两个卷积层，对应卷积核大小分别为1×1和2×1；第三分支采用了卷积核大小分别为1×1和4×1的两个卷积层；第四分支先进行了窗口大小为2的平均池化操作，并紧跟一个卷积核大小为1×1的卷积层。
7.一种基于深度学习的异常I/Q信号识别***，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
CN202011399508.5A 2020-12-02 2020-12-02 一种基于深度学习的异常i/q信号识别方法及*** Active CN112566174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011399508.5A CN112566174B (zh) 2020-12-02 2020-12-02 一种基于深度学习的异常i/q信号识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011399508.5A CN112566174B (zh) 2020-12-02 2020-12-02 一种基于深度学习的异常i/q信号识别方法及***

Publications (2)

Publication Number Publication Date
CN112566174A CN112566174A (zh) 2021-03-26
CN112566174B true CN112566174B (zh) 2022-05-03

Family

ID=75047932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011399508.5A Active CN112566174B (zh) 2020-12-02 2020-12-02 一种基于深度学习的异常i/q信号识别方法及***

Country Status (1)

Country Link
CN (1) CN112566174B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466852B (zh) * 2021-06-08 2023-11-24 江苏科技大学 应用于随机干扰场景下的毫米波雷达动态手势识别方法
CN113409213B (zh) * 2021-06-22 2023-11-14 中铁工程装备集团有限公司 柱塞泵故障信号时频图降噪增强方法和***
CN113780106B (zh) * 2021-08-24 2024-02-27 电信科学技术第五研究所有限公司 一种基于无线电波形数据输入的深度学习信号检测方法
CN115296758B (zh) * 2022-07-07 2023-08-11 中山大学 一种干扰信号的识别方法、***、计算机设备和存储介质
CN115277324B (zh) * 2022-07-25 2023-11-10 电信科学技术第五研究所有限公司 基于卷积神经网络的fsk信号识别方法
CN116633809B (zh) * 2023-06-26 2024-01-23 中国信息通信研究院 基于人工智能的检测方法和***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110166387A (zh) * 2019-05-22 2019-08-23 中国电力科学研究院有限公司 一种基于卷积神经网络识别信号调制方式的方法及***
CN110856178A (zh) * 2019-11-05 2020-02-28 天津大学 一种基于无线网络物理层iq信号的行为识别方法
CN111428817A (zh) * 2020-04-22 2020-07-17 浙江工业大学 一种面向无线电信号识别对抗攻击的防御方法
CN111950423A (zh) * 2020-08-06 2020-11-17 中国电子科技集团公司第五十二研究所 一种基于深度学习的实时多尺度密集目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11443167B2 (en) * 2019-04-12 2022-09-13 Motorola Solutions, Inc. Systems and methods for modulation classification of baseband signals using multiple data representations of signal samples

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110166387A (zh) * 2019-05-22 2019-08-23 中国电力科学研究院有限公司 一种基于卷积神经网络识别信号调制方式的方法及***
CN110856178A (zh) * 2019-11-05 2020-02-28 天津大学 一种基于无线网络物理层iq信号的行为识别方法
CN111428817A (zh) * 2020-04-22 2020-07-17 浙江工业大学 一种面向无线电信号识别对抗攻击的防御方法
CN111950423A (zh) * 2020-08-06 2020-11-17 中国电子科技集团公司第五十二研究所 一种基于深度学习的实时多尺度密集目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Modulation Format Identification in Coherent Receivers Using Deep Machine Learning;Faisal Nadeem Khan et.al;《IEEE Photonics Technology Letters》;20160601;全文 *
基于机器学习的雷达辐射源识别方法综述;孟磊等;《兵器装备工程学报》;20200910(第10期);全文 *
基于深度学习的无线信号的识别技术研究;田昊旻;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100915;全文 *

Also Published As

Publication number Publication date
CN112566174A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112566174B (zh) 一种基于深度学习的异常i/q信号识别方法及***
Ebert-Uphoff et al. Evaluation, tuning and interpretation of neural networks for working with images in meteorological applications
CN108509911B (zh) 基于卷积神经网络的干扰信号识别方法
CN110926782B (zh) 断路器故障类型判断方法、装置、电子设备及存储介质
CN114553648B (zh) 基于时空图卷积神经网络的无线通信调制模式识别方法
CN114998695B (zh) 一种提高图像识别速度的方法及***
CN111461037B (zh) 一种基于fmcw雷达的端到端手势识别方法
CN110569752A (zh) 基于卷积神经网络的雷达信号类别确定方法
CN112087442B (zh) 基于注意力机制的时序相关网络入侵检测方法
CN112598303A (zh) 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法
CN114881093B (zh) 一种信号分类识别方法
CN112949610A (zh) 一种基于降噪算法的改进Elman神经网络的预测方法
CN112884118A (zh) 神经网络的搜索方法、装置及设备
Kamal et al. Generative adversarial learning for improved data efficiency in underwater target classification
CN117079005A (zh) 一种光缆故障监测方法、***、装置及可读存储介质
CN110908365A (zh) 一种无人机传感器故障诊断方法、***及可读存储介质
Hou et al. The recognition of multi-components signals based on semantic segmentation
Vagollari et al. An End-to-End Deep Learning Framework for Wideband Signal Recognition
Ebert-Uphoff et al. Evaluation, tuning and interpretation of neural networks for meteorological applications
CN114912545A (zh) 基于优化vmd算法和dbn网络的电力负荷分类方法
Xu et al. A graph convolutional shrinkage network-based fault diagnosis method for industrial process
CN110516566B (zh) 一种基于卷积层的滤波方法及装置
Yu et al. A convolutional neural-network-based diagnostic framework for industrial bearing
Junpeng et al. MTCNN: a deep neural network for recognizing stochastic phase shifted time series data
CN118094346B (zh) 基于Conformer的串联故障电弧检测方法及***

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
GR01 Patent grant
GR01 Patent grant