CN115705395A - 信号识别方法及装置、计算机可读存储介质 - Google Patents
信号识别方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN115705395A CN115705395A CN202110912337.XA CN202110912337A CN115705395A CN 115705395 A CN115705395 A CN 115705395A CN 202110912337 A CN202110912337 A CN 202110912337A CN 115705395 A CN115705395 A CN 115705395A
- Authority
- CN
- China
- Prior art keywords
- signal
- signal data
- identification
- data
- domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000006870 function Effects 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000013508 migration Methods 0.000 abstract description 11
- 230000005012 migration Effects 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 101100328086 Caenorhabditis elegans cla-1 gene Proteins 0.000 description 2
- 101100328087 Cladosporium cladosporioides cla2 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种信号识别方法及装置、计算机可读存储介质,其中,信号识别方法包括:从目标域获取无线信号数据;根据无线信号数据和针对源域信号的第一识别网络确定针对目标域信号的第二识别网络,第一识别网络由从源域获得的第一信号数据得到。本发明实施例中,通过无线信号数据即可配合实现信号识别,因此无需基于区域内的大量信号数据以进行分析识别,能够节省资源,实现识别信号的领域迁移,有利于提高信号识别精度。
Description
技术领域
本发明实施例涉及但不限于无线通信技术领域,尤其涉及一种信号识别方法及装置、计算机可读存储介质。
背景技术
无线通信技术,因其移动性、高效、低成本的部署与维护、无需高难度的布线工程与维护措施、高度灵活性的组网操作、扩展性佳以及提供简单的用户添加和删除操作而不会影响通信网络整体性能等优势,近年来得到高速发展。为了满足工业、科学和医学(Industrial Scientific Medical,ISM)的无线通信需求,设置了无需许可证或费用的频段,即ISM频段,具体产生了无线城域网、无线局域网等服务,使得越来越多的应用该频段的产品在智能家居、医疗健康和公共基础设施等各个领域有着更为广泛的应用。然而,随着共享ISM频段的各类无线设备的日益增长,多种样式的无线并发信号对无线局域网产生诸多干扰,制约了无线局域网的部署和使用效率,且各种设备之间的相互干扰还可能会对关键的数据通信造成损失。因此,如何确定干扰来源进而使得关键通信保持稳定,成为当前ISM频段无线通信亟待解决的问题。目前,干扰识别方法通常需要基于区域内的大量信号数据才能够进行分析识别,这会耗费大量资源,也并不简便,并且没有实际考虑到信号数据的采集环境不同所带来的领域偏移影响,因此识别精度不高。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供了一种信号识别方法及装置、计算机可读存储介质,能够提高信号识别精度。
第一方面,本发明实施例提供了一种信号识别方法,包括:
从目标域获取无线信号数据;
根据所述无线信号数据和针对源域信号的第一识别网络确定针对目标域信号的第二识别网络,所述第一识别网络由从源域获得的第一信号数据得到。
第二方面,本发明实施例还提供了一种信号识别装置,包括:
数据采集模块,用于从目标域获取无线信号数据;
数据处理模块,用于根据所述无线信号数据和针对源域信号的第一识别网络确定针对目标域信号的第二识别网络,所述第一识别网络由从源域获得的第一信号数据得到。
第三方面,本发明实施例还提供了一种信号识别装置,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述第一方面的信号识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如上所述第一方面的信号识别方法。
本发明实施例包括:从目标域获取无线信号数据;根据无线信号数据和针对源域信号的第一识别网络确定针对目标域信号的第二识别网络,第一识别网络由从源域获得的第一信号数据得到。根据本发明实施例提供的方案,在能够识别源域信号的第一识别网络的基础上,配合从目标域获得的无线信号数据即可确定能够识别目标域信号的第二识别网络,从而实现识别信号的领域迁移,有利于提高信号识别精度,并且,由于通过无线信号数据即可配合实现信号识别,因此无需基于区域内的大量信号数据以进行分析识别,从而能够节省资源,降低信号识别难度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明一个实施例提供的信号识别方法的流程图;
图2是本发明一个实施例提供的信号识别方法中获取无线信号数据的流程图;
图3是本发明一个实施例提供的信号识别方法中确定无线信号数据的流程图;
图4是本发明一个实施例提供的信号识别方法中确定第二识别网络的流程图;
图5是本发明一个实施例提供的信号识别方法中更新第一识别网络的流程图;
图6是本发明一个实施例提供的信号识别方法中确定无线信号数据之后的流程图;
图7是本发明一个实施例提供的信号识别方法中确定待识别信号数据之后的流程图;
图8是本发明一个实施例提供的信号识别方法的执行示意图;
图9是本发明一个实施例提供的WADA算法的执行示意图;
图10是本发明一个实施例提供的信号识别装置的示意图;
图11是本发明另一个实施例提供的信号识别装置的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要注意的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明提供了一种信号识别方法及装置、计算机可读存储介质,在能够识别源域信号的第一识别网络的基础上,配合从目标域获得的无线信号数据即可确定能够识别目标域信号的第二识别网络,从而实现识别信号的领域迁移,有利于提高信号识别精度,并且,由于通过无线信号数据即可配合实现信号识别,因此无需基于区域内的大量信号数据以进行分析识别,从而能够节省资源,降低信号识别难度。
下面结合附图,对本发明实施例作进一步阐述。
如图1所示,图1是本发明一个实施例提供的信号识别方法的流程图,该信号识别方法包括但不限于步骤S100和步骤S200。
步骤S100,从目标域获取无线信号数据。
在一实施例中,目标域与源域相区分,其中,源域表征已知环境或原始环境,通常来讲,源域内的无线信号已经能够很好地被识别;目标域表征未知环境或新环境,相比于源域,目标域与源域之间存在领域之间的差异,相应地,这可能会带来信号识别之间的差异,因此需要对目标域的信号识别进行进一步地扩展。
在一实施例中,无线信号数据的种类可以有多种,针对不同类型的无线信号数据,可以后续选择适应的方式对其进行处理,例如,在以下各实施例中,主要以无线信号数据为WIFI信号进行说明,相应的数据处理方式也基于无线信号数据为WIFI信号而进行说明,但本领域技术人员可以根据实际应用场景进行相应设置,这在本实施例中并未限定。
在图2的示例中,步骤S100包括但不限于步骤S110至S130。
步骤S110,从目标域获取原始信号数据;
步骤S120,筛选原始信号数据,得到携带有效信号的第二信号数据;
步骤S130,从第二信号数据中确定无线信号数据。
在一实施例中,通过筛选原始信号数据可以剔除无效的第二信号数据,以便于进一步根据第二信号数据得到有效的无线信号数据,从而确保无线信号数据具有良好的实用效果,以便于提升后续处理无线信号数据的可靠性,进而提高信号识别精度。
在一实施例中,可以设置一无线接入点(Access Point,AP)用于获取原始信号数据,同时设置与AP所匹配连接的至少一个终端用于解析,即,通过AP将所获取的原始信号数据传送给终端,进而利用该终端对原始信号数据进行解析筛选,以便于提取出有效的第二信号数据作为信号样本。
需要说明的是,在通信***中,为了消除噪声信号带来的影响,可以通过剔除原始信号数据中携带有噪声信号的相应数据,从而筛选得到不包含噪声信号的所有数据,在这种情况下,除噪声信号之外的信号即为有效信号,此时的有效信号可以有多个种类,包括传递用户所需信息的信号,或者,用于让接收设备收到信号后产生一个预先设定的动作的信号等,相应地,筛选得到的所有数据均为第二信号数据,但此处的“有效信号”并非属于限制性概念,可以根据实际的不同应用场景进行区分,不仅限于噪声信号的剔除,本领域技术人员可以自行设定区分形式,这在本实施例中并未限定。
在一实施例中,与AP匹配的终端可以设置为多个,各个终端均可以称为接入终端、用户设备(User Equipment,UE)、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、无线通信设备、用户代理或用户装置。例如,各个终端均可以是蜂窝电话、无绳电话、会话启动协议(Session Initiation Protocol,SIP)电话、无线本地环路(Wireless Local Loop,WLL)站、个人数字处理(Personal Digital Assistant,PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备、5G网络或者未来5G以上网络中的终端设备等,本实施例对此并不作具体限定。
在图3的示例中,步骤S130包括但不限于步骤S131。
步骤S131,从第二信号数据中确定具有无线信号协议栈指示位的第二信号数据为无线信号数据。
在一实施例中,由于无线信号协议栈定义了通信硬件和软件针对于无线信号而在不同层次进行协调工作的特性,因此,当确定存在无线信号协议栈指示位,即可以确定无线信号协议栈已经被设定,说明无线信号相应存在,从而能够确定具有无线信号协议栈指示位的第二信号数据为无线信号数据,因此,通过该方式可以简便可靠地筛选得到无线信号数据,能够提高信号分类处理数据,可以理解地是,当无线信号为WIFI信号,无线信号协议栈指示位为WIFI信号协议栈指示位,以此类推,不再赘述。
步骤S200,根据无线信号数据和针对源域信号的第一识别网络确定针对目标域信号的第二识别网络,第一识别网络由从源域获得的第一信号数据得到。
在一实施例中,源域作为已知环境,可以依据第一识别网络对相关信号进行准确地识别,这是由于第一识别网络正是由源域中的第一信号数据而得到的,以深度卷积神经网络为例,通过训练第一信号数据而得到训练合格的第一识别网络,而目标域作为新环境,由于受到信号的领域迁移的影响,因而仅凭借第一识别网络无法准确地识别相关信息,为了解决上述疑难,在能够识别源域信号的第一识别网络的基础上,配合从目标域获得的无线信号数据即可确定能够识别目标域信号的第二识别网络,从而实现识别信号的领域迁移,即,将信号识别域从原先的目标域扩展到当前的目标域,不仅能够识别原先的源域内的无线信号,还能够识别当前的目标域内的无线信号,因此大大提升了信号识别的区域范围,相比于相关技术,能够提高针对无线信号的识别精度,并且,由于通过无线信号数据即可配合实现信号识别,因此无需基于区域内的大量信号数据以进行分析识别,也无需增加新的网络架构或者参数来进行辅助识别,从而能够节省相关资源,进一步地降低信号识别难度。
在一实施例中,第一信号数据的类型可以有多种,例如,可以涉及目前常应用于ISM频段下的诸如蓝牙(Bluetooth)信号、无绳电话(Cordless Phone)信号、游戏手柄(GameController)信号、微波炉(Microwave Oven)信号、无限保真((Wireless Fidelity,WIFI)信号、无线模拟视频监控器(Video Monitor)信号以及ZigBee信号等,换言之,本实施例中的第一信号数据可以是以上各示例中的一种或多种,这在本实施例中并未限定。
需要说明的是,第一信号数据、第一识别网络以及第二识别网络可以根据实际应用场景自行选取或设置,为了简要清楚地说明本发明的工作原理,以下主要基于深度卷积神经网络的背景以进行说明,但并未唯一限制。
具体地,在图4的示例中,步骤S200包括但不限于步骤S210和步骤S220。
步骤S210,将无线信号数据和从源域获得的第一信号数据输入到特征提取网络,以使特征提取网络提取并输出对应于源域信号的第一样本特征和对应于目标域信号的第二样本特征;
步骤S220,根据第一样本特征和第二样本特征更新针对于源域信号的第一识别网络,确定更新后的第一识别网络为针对于目标域信号的第二识别网络。
在一实施例中,由于特征提取网络能够解析无线信号数据和从源域获得的第一信号数据,从而能够输出对应于源域信号的第一样本特征和对应于目标域信号的第二样本特征,即,能够分别获知源域和目标域的信号状态,从而根据源域和目标域的信号状态以对已经处理好的第一识别网络进行更新,相当于在第一样本特征的基础上进一步考虑第二样本特征的影响,从而得到更新后的第一识别网络,即确定第二识别网络,使得第二识别网络能够针对目标域的信号进行识别。
在图5的示例中,步骤S220中的“根据第一样本特征和第二样本特征更新针对于源域信号的第一识别网络”包括但不限于步骤S221和步骤S222。
步骤S221,在第一样本特征和第二样本特征互相映射于源域与目标域之间的情况下,根据映射条件确定第一损失函数,映射条件用于表征互相映射前后的第一样本特征和第二样本特征对应的数据类别均不变;
步骤S222,根据第一损失函数和预设的第二损失函数更新针对于源域信号的第一识别网络。
在一实施例中,第一样本特征和第二样本特征可以为多个且数量可以保持一致,并且各个第一样本特征与各个第二样本特征可以实现彼此对应,有利于第一样本特征与第二样本特征彼此之间实现互相映射。
在一实施例中,映射条件表征循环一致性(Cycle Consistency,CC),表明在第一样本特征和第二样本特征互相映射于源域与目标域之间的情况下,无论第一样本特征向第二样本特征进行映射几次,或者,第二样本特征向第一样本特征进行映射几次,映射前后的第一样本特征或者第二样本特征的类别不会发生改变,例如,第一样本特征的类别为蓝牙信号对应的类别,那么经过映射之后的第一样本特征的类别仍为蓝牙信号对应的类别,或者,第一样本特征的类别服从均匀分布,则经过映射变换后的数据类别同样服从均匀分布,通过映射条件以确定第一损失函数,并且基于第一损失函数和预设的第二损失函数更新第一识别网络,使得第一样本特征和第二样本特征在经过数据处理之后的变化差异不会过大,可以减小数据处理的误差,提高源域与目标域之间的数据关联性。
在一实施例中,由于仅依赖循环一致性控制两个域间的关联存在不足,且不同特征间的关联方式并不唯一,因此上述第一损失函数的最小化可以通过仅关联目标域的简单样本数据实现,即,可能仅挖掘到两个域间的一小部分共性特征,而不能够对更一般性的相似性特征进行表征,因此引入预设的第二损失函数,可以更好地表征领域迁移的特征,从而达到减小误差的效果,有利于进一步地提高信号识别精度。
需要说明的是,“互相映射”指的是第一样本特征和第二样本特征在源域与目标域之间的来回映射,或者叫做循环映射,例如,一个第一样本特征可以连续地从源域映射到目标域中的某个第二样本特征,然后该第二样本特征再从目标域映射回到源域的另一个第一样本特征,即相当于第一样本特征和第二样本特征在源域与目标域之间完成了一次基本的互相映射流程,上述互相映射流程也可以执行多次,但无论哪种情况均可以叫做互相映射,类似地,一个第二样本特征可以连续地从目标域映射到源域中的某个第一样本特征,然后该第一样本特征再从源域映射回到目标域的另一个第二样本特征,其原理与上述说明的互相映射流程的原理类似,在此不做赘述。
具体地,第二损失函数可以包括但不限于如下类型中的至少一种:
与源域信号和目标域信号关联的完整性损失函数;
与第一信号数据关联的第一标签损失函数;
与无线信号数据关联的第二标签损失函数。
在一实施例中,完整性损失函数能够弥补第一损失函数可能存在的关联性不足的问题,完整性损失函数由目标域上的样本数据的均匀分布与从任何源域上的样本数据访问目标域上的样本数据的概率之间的交叉熵定义,具体地,当源域和目标域的数据类别分布存在差别时,针对完整性损失函数的权重可以适当降低。
在一实施例中,第一标签损失函数和第二标签损失函数表征域内关联,作为域间关联函数的补充,可以进一步提升针对领域迁移的损失调整。
需要说明的是,本发明实施例针对信号识别所利用的框架简便可靠,易于实现和处理,适用于不同环境下的数据采集场景,利用有限的无线信号数据和第一信号数据通过相同的特征提取网络,达到构造两个域样本的特征向量的目的,同时通过域间转换构造源域样本特征和目标域样本特征的预测标签循环一致性,结合完整性正则要求和传统的有监督损失作为总的损失函数进行第一识别网络的更新,从而得到第二识别网络,该第二识别网络既能够继承源域对领域偏移的不变性,也能够实现对于目标域内的无线信号的高辨识性,提高源域的领域泛化性和在目标域下的信号测试性能。
在图6的示例中,步骤S131之后,还包括但不限于步骤S132。
步骤S132,从第二信号数据中确定除无线信号数据之外的第二信号数据为目标域中的待识别信号数据。
在一实施例中,由于无线信号数据主要用于进行数据处理,以使第二识别网络能够可靠地对信号进行识别,因此,针对于已经确定的无线信号数据,可以不用对其进行再次地识别,同时由于第二信号数据是从目标域中获得的未知数据,因此,可以将除无线信号数据之外的第二信号数据作为待识别信号数据,以便于对该待识别信号数据进行识别,从而验证从源域到目标域的领域迁移效果。
需要说明的是,也可以针对无线信号数据进行多次地识别,这在本实施例中并未限制。
在图7的示例中,步骤S132之后,还包括但不限于步骤S133。
步骤S133,输入待识别信号数据至第二识别网络,以使第二识别网络输出针对待识别信号数据的信号识别结果。
在一实施例中,以除无线信号数据之外的第二信号数据作为待识别信号数据,防止无线信号数据影响识别,并且通过第二识别网络对该待识别信号数据进行识别,可以良好地检测第二识别网络的构建效果,进一步验证从源域到目标域的领域迁移效果。
下面给出相关示例以对上述各实施例进行说明。
示例一:
参照图8,给出了实现信号识别的执行流程示意图。
首先,基于第一AP获取原始信号数据;
然后,由第一终端提取原始信号数据中的有效部分,从而得到第二信号数据;
然后,对第二信号数据进行检测,即,针对第二信号数据提取WIFI信号协议栈指示位,从而区分得到WIFI信号样本和目标域中其余干扰信号样本;
然后,将WIFI信号样本和源域中的第一信号数据共同作为输入,传递给WIFI信号激励关联领域自适应校正算法(以下记为“WADA算法”),实现对第一识别网络进行目标域环境下的适应性校正,得到第二识别网络,其中,WADA算法为迁移学习中的领域自适应(Domain Adaptation)算法的一种,旨在利用源域数据和目标域数据的相关性得到对域偏移(domain shift)不敏感的域不变表征,为目标任务获取丰富的信息,在得到源域数据和目标域数据尽可能相似的特征的同时,降低两个域中数据类别的预测误差。
最后,将目标域中其余干扰信号样本输入至第二识别网络中,输出目标域内的信号识别结果。
根据实验,在各种目标域环境下,通过校正后的识别网络对目标域的各类干扰信号的平均准确率均超过90%,同时第二识别网络能够保持对源域的各种干扰信号的平均准确率同样保持在90%以上,能够满足信号识别的精度要求。
示例二
参照图9,给出了WADA算法的原理示意图。
如图9所示,该WADA算法对应的网络结构,包括特征提取网络卷积神经架构和类别预测网络全连接架构,其基本原理如下:
首先,输入目标域的WIFI信号样本和源域的第一信号数据至特征提取网络卷积神经架构,使其输出源域和目标域的样本特征;
然后,针对源域和目标域的样本特征进行关联映射,具体地:
已知源域数据样本和目标域数据样本对其中的单个样本通过源域数据训练的特征提取网络分别得到其对应的低维空间特征和此时,来自不同域的两个样本的相似度可以用Ai和Bi的内积Mi,j=<Ai,Bi>来表示,其中,Ns表示源域中包含类别在内的样本集合,Nt表示目标域中包含类别在内的样本集合。进一步地,源域样本到目标域样本的关联概率可以由以下的类softmax模型公式定义:
为了保证该循环有效,其需要满足一定程度的循环一致性,即起始数据和循环后的数据的类别要相同,换句话说,通过循环映射后源域的数据类别不发生改变。假设源域数据类别服从均匀分布,则经过循环变换后的数据类别同样应该服从均匀分布。因此,该循环一致性可以通过下述损失函数定义完成:
其中,H(T,Paba)表示交叉熵;
class()表示样本的类别。
进一步地,仅仅依赖循环一致性控制两个域间的关联有所不足,由于样本间的关联方式并不唯一,上述损失函数的最小化可以通过仅关联目标域的简单样本实现,即仅挖掘到两个域间的一小部分共性特征,而不能够对更一般性的相似性进行描述。此时,额外引入完整性损失函数,即:
其由目标样本上的均匀分布与从任何源域样本开始访问目标域样本的概率之间的交叉熵而定义,当源域数据和目标域数据的类别分布存在差别时,完整性损失函数Lv在整体损失函数中的权重可以适当降低。
除了上述的域间关联损失函数外,同样需要在有标签的源域数据上达到优秀的分类性能。因此,整体损失函数中还包括源域的有标签交叉熵损失Lcla1与目标域的WIFI数据有标签损失Lcla2。
综上所述,涉及领域迁移的整体损失函数L可以写为:
L=Lcla1+Lcla2+α1Lw+α2Lv
其中,α1,α2∈[0,1]为权重参数。
经过以上损失函数训练后,针对源域的第一识别网络便通过WIFI信号样本的校正变为能够适应当前目标域环境数据的第二识别网络,即,如图9所示的类别预测网络全连接架构,其中,类别预测网络全连接架构为卷积网络模型,包括数个依次连接的卷积层、批归一化层和池化层,之后通过全局平均池化后,通过数个全连接层,最终输出针对当前目标域环境数据的类别预测结果。
另外,如图10所示,本发明的一个实施例还提供了一种信号识别装置,该装置包括:
数据采集模块100,用于从目标域获取无线信号数据;
数据处理模块200,用于根据无线信号数据和针对源域信号的第一识别网络确定针对目标域信号的第二识别网络,第一识别网络由从源域获得的第一信号数据得到。
在一实施例中,在数据采集模块100从目标域获取无线信号数据的前提下,数据处理模块200基于无线信号数据配合针对源域信号的第一识别网络,即可确定能够识别目标域信号的第二识别网络,从而实现识别信号的领域迁移,有利于提高信号识别精度,并且,由于数据处理模块200通过无线信号数据即可配合实现信号识别,即,无需基于区域内的大量信号数据以进行分析识别,因此对于数据处理模块200而言,能够节省资源,降低信号识别难度。
此外,参照图11,本发明的一个实施例还提供了一种信号识别装置,该信号识别装置包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
处理器和存储器可以通过总线或者其他方式连接。
实现上述实施例的信号识别方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述各实施例的信号识别方法,例如,执行以上描述的图1中的方法步骤S100至S200、图2中的方法步骤S110至S130、图3中的方法步骤S131、图4中的方法步骤S210至S220、图5中的方法步骤S221至S222、图6中的方法步骤S132或图7中的方法步骤S133。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外,本发明的一个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存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述设备实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的信号识别方法,例如,执行以上描述的图1中的方法步骤S100至S200、图2中的方法步骤S110至S130、图3中的方法步骤S131、图4中的方法步骤S210至S220、图5中的方法步骤S221至S222、图6中的方法步骤S132或图7中的方法步骤S133。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本发明的较佳实施方式进行的具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (11)
1.一种信号识别方法,包括:
从目标域获取无线信号数据;
根据所述无线信号数据和针对源域信号的第一识别网络确定针对目标域信号的第二识别网络,所述第一识别网络由从源域获得的第一信号数据得到。
2.根据权利要求1所述的信号识别方法,其特征在于,所述根据所述无线信号数据和针对源域信号的第一识别网络确定针对目标域信号的第二识别网络,包括:
将所述无线信号数据和从源域获得的第一信号数据输入到特征提取网络,以使所述特征提取网络提取并输出对应于源域信号的第一样本特征和对应于目标域信号的第二样本特征;
根据所述第一样本特征和所述第二样本特征更新针对于所述源域信号的第一识别网络,确定更新后的所述第一识别网络为针对于所述目标域信号的第二识别网络。
3.根据权利要求2所述的信号识别方法,其特征在于,所述根据所述第一样本特征和所述第二样本特征更新针对于所述源域信号的第一识别网络,包括:
在所述第一样本特征和所述第二样本特征互相映射于所述源域与所述目标域之间的情况下,根据映射条件确定第一损失函数,所述映射条件用于表征互相映射前后的所述第一样本特征和所述第二样本特征对应的数据类别均不变;
根据所述第一损失函数和预设的第二损失函数更新针对于所述源域信号的第一识别网络。
4.根据权利要求3所述的信号识别方法,其特征在于,所述第二损失函数包括如下类型中的至少一种:
与所述源域信号和所述目标域信号关联的完整性损失函数;
与所述第一信号数据关联的第一标签损失函数;
与所述无线信号数据关联的第二标签损失函数。
5.根据权利要求1所述的信号识别方法,其特征在于,所述从目标域获取无线信号数据,包括:
从目标域获取原始信号数据;
筛选所述原始信号数据,得到携带有效信号的第二信号数据;
从所述第二信号数据中确定无线信号数据。
6.根据权利要求5所述的信号识别方法,其特征在于,所述从所述第二信号数据中确定无线信号数据,包括:
从所述第二信号数据中确定具有无线信号协议栈指示位的所述第二信号数据为无线信号数据。
7.根据权利要求5或6所述的信号识别方法,其特征在于,所述从所述第二信号数据中确定无线信号数据之后,还包括:
从所述第二信号数据中确定除所述无线信号数据之外的所述第二信号数据为所述目标域中的待识别信号数据。
8.根据权利要求7所述的信号识别方法,其特征在于,所述从所述第二信号数据中确定除所述无线信号数据之外的所述第二信号数据为所述目标域中的待识别信号数据之后,还包括:
输入所述待识别信号数据至所述第二识别网络,以使所述第二识别网络输出针对所述待识别信号数据的信号识别结果。
9.一种信号识别装置,其特征在于,包括:
数据采集模块,用于从目标域获取无线信号数据;
数据处理模块,用于根据所述无线信号数据和针对源域信号的第一识别网络确定针对目标域信号的第二识别网络,所述第一识别网络由从源域获得的第一信号数据得到。
10.一种信号识别装置,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的信号识别方法。
11.一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1至8中任意一项所述的信号识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110912337.XA CN115705395A (zh) | 2021-08-10 | 2021-08-10 | 信号识别方法及装置、计算机可读存储介质 |
PCT/CN2022/104966 WO2023016168A1 (zh) | 2021-08-10 | 2022-07-11 | 信号识别方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110912337.XA CN115705395A (zh) | 2021-08-10 | 2021-08-10 | 信号识别方法及装置、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115705395A true CN115705395A (zh) | 2023-02-17 |
Family
ID=85179473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110912337.XA Pending CN115705395A (zh) | 2021-08-10 | 2021-08-10 | 信号识别方法及装置、计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115705395A (zh) |
WO (1) | WO2023016168A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110226172B (zh) * | 2016-12-15 | 2024-02-02 | 谷歌有限责任公司 | 将源域图像变换为目标域图像 |
CN108508411B (zh) * | 2018-03-22 | 2022-04-08 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
US20190325861A1 (en) * | 2018-04-18 | 2019-10-24 | Maneesh Kumar Singh | Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques |
CN111582449B (zh) * | 2020-05-07 | 2023-08-04 | 广州视源电子科技股份有限公司 | 一种目标域检测网络的训练方法、装置、设备及存储介质 |
-
2021
- 2021-08-10 CN CN202110912337.XA patent/CN115705395A/zh active Pending
-
2022
- 2022-07-11 WO PCT/CN2022/104966 patent/WO2023016168A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023016168A1 (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754105B (zh) | 一种预测方法及终端、服务器 | |
CN109635838B (zh) | 人脸样本图片标注方法、装置、计算机设备及存储介质 | |
CN108830329B (zh) | 图片处理方法和装置 | |
CN111079841A (zh) | 目标识别的训练方法、装置、计算机设备和存储介质 | |
CN110807472B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112395941B (zh) | 无线电信号辐射源个体识别方法、计算机设备和存储介质 | |
CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN114328942A (zh) | 关系抽取方法、装置、设备、存储介质和计算机程序产品 | |
CN112528306A (zh) | 基于大数据和人工智能的数据访问方法及云计算服务器 | |
CN115705395A (zh) | 信号识别方法及装置、计算机可读存储介质 | |
CN108897772B (zh) | 数据源补充方法、装置、计算机设备和存储介质 | |
CN116257885A (zh) | 基于联邦学习的隐私数据通信方法、***和计算机设备 | |
CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
CN111046933B (zh) | 图像分类方法、装置、存储介质及电子设备 | |
CN111126420A (zh) | 一种建立识别模型的方法及装置 | |
CN111078984B (zh) | 网络模型发布方法、装置、计算机设备和存储介质 | |
US20210166063A1 (en) | Pattern recognition device and learned model | |
CN111539477B (zh) | 水质监测管理方法、装置、服务器及可读存储介质 | |
CN114528973A (zh) | 业务处理模型的生成方法、业务处理方法和装置 | |
CN113343093A (zh) | 基于人工智能的智慧在线服务信息推荐方法及云计算*** | |
CN113743448A (zh) | 模型训练数据获取方法、模型训练方法和装置 | |
CN112559589A (zh) | 一种远程测绘数据处理方法及*** | |
CN113971422A (zh) | 样本数据标注***、方法以及相关设备 | |
CN116628181B (zh) | 基于物联网的用户控制偏好感知方法及*** |
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 |