本发明涉及一种电磁信号开集识别方法，属于信号处理技术领域，解决了现有开集识别方法判别准确率低、性能较差的问题。步骤如下：获取电磁信号样本集及各电磁信号样本所属类别；将所述电磁信号样本集分为训练集和测试集；利用训练集训练卷积神经网络，利用测试集对训练后的卷积神经网络进行评估，得到最优卷积神经网络；根据最优卷积神经网络，构造特征参数weibull分布模型；利用最优卷积神经网络对未知电磁信号进行开集识别，并根据构造的特征参数weibull分布模型判断识别结果的准确性。该方法有效提高了电磁信号开集识别的准确性。
1.一种电磁信号开集识别方法，其特征在于，步骤如下：
将所述电磁信号样本集分为训练集和测试集；利用训练集训练卷积神经网络，利用测试集对训练后的卷积神经网络进行评估，得到最优卷积神经网络；
根据最优卷积神经网络，构造特征参数weibull分布模型，包括以下步骤：取出最优卷积神经网络中的激活层系数v1(x)、...、vc(x)，其中c为测试结果类别数，x为输入的电磁信号样本；
将测试过程中正确分类的电磁信号样本激活层系数，记为Si,j＝vj(xi,j)，其中i为第i个电磁信号样本对应的序号，j为第i个电磁信号样本对应的样本类别,j＝1,2,...,c；
根据测试过程中正确分类的电磁信号样本激活层系数，计算每一类样本的均值中心，记为uj＝meani(Si,j)；
计算每一类样本中正确分类的电磁信号样本激活层系数与相应类均值中心的距离由大到小进行排序，得到相应的排序序列后，取排序序列中的前若干项进行weibull分布拟合，得到参数分布模型，记为：ρj＝(τj,κj,λj)＝weibullfit(||Sj-uj||,η) (1)其中，τj,κj,λj分别为参数weibull分布的位移参数、形状参数和尺度参数，η为选取排序序列Sj-uj的项数，Sj为第j类电磁信号样本激活层系数，uj为第j类样本的均值中心，j为电磁信号样本对应的样本类别,j＝1,2,...,c，利用weibullfit对相应参数进行weibull分布拟合；
利用最优卷积神经网络对未知电磁信号进行开集识别，并根据构造的特征参数weibull分布模型判断识别结果的准确性。
2.根据权利要求1所述的识别方法，其特征在于，所述利用训练集训练卷积神经网络包括：将所述训练集中的各电磁信号样本作为卷积神经网络的输入，将对应的电磁信号样本所属类别作为卷积神经网络的输出，训练卷积神经网络。
3.根据权利要求2所述的识别方法，其特征在于，所述卷积神经网络依次包含K个基本层和全连接层，K≥1且K为整数；其中，每个基本层包含卷积层、ReLu层和池化层，所述卷积层对样本信号进行卷积处理、提取特征；ReLu层提供系数进行非线性变换；池化层对输入特征图进行压缩，提取主要特征；
全连接层包括激活层、分类层，其中，激活层用于连接第K个基本层输出的所有特征，并将输出的所有特征通过分类层进行分类。
4.根据权利要求3所述的识别方法，其特征在于，所述分类层利用softmax分类器实现分类功能。
5.根据权利要求1-4中任一项所述的识别方法，其特征在于，所述利用最优卷积神经网络对未知电磁信号进行开集识别，并根据构造的特征参数weibull分布模型判断识别结果的准确性，进一步包括以下步骤：对未知电磁信号处理得到对应的电磁信号样本后，输入至最优卷积神经网络，获得当前的激活层系数v1(x)、...、vc(x)，x为输入的电磁信号样本，取出最大的系数vm(x)，其中1≤m≤c，且m为正整数，c为测试结果类别数；并通过分类层输出结果获取系数vm(x)对应的类别标签P；其中，所述类别标签P为分类层的分类结果中的第m个标签；
根据特征参数weibull分布模型，计算vm(x)与P类样本均值中心之间欧式距离对应的累积概率分布值ws：其中，up是第P类样本的均值中心，τp,κp,λp分别为第P类样本的weibull分布位移参数、形状参数和尺度参数；
设定累计概率分布阈值，当ws大于等于该阈值时，所述未知电磁信号判为未知信号；当ws小于该阈值，所述未知电磁信号判为已知信号，所述已知信号的类别为P。
6.根据权利要求5所述的识别方法，其特征在于，所述累计概率分布阈值通过以下方式设置：取出最优卷积神经网络中的激活层系数v1(x)、...、vc(x)，其中c为测试结果类别数，x为输入的电磁信号样本；
计算在最优卷积神经网络中，测试集中所有电磁信号样本对应的累积概率分布值ws′(k)，k＝1,2,…,N-M，N为电磁信号样本集中包含的电磁信号样本个数，M为训练集中电磁信号样本个数，其中M＜N，将95％的电磁信号样本满足的累积概率分布的最大值，设置为累计概率分布阈值。
7.根据权利要求1所述的识别方法，其特征在于，通过选取能够反映电磁信号属性的特征参数，对电磁信号进行相应处理，获取所述电磁信号样本集。
8.根据权利要求7所述的识别方法，其特征在于，选取信号幅度特征作为特征参数，将各电磁信号经A/D采样及数字正交变换，得到相应的输入的电磁信号样本x的I路信号xI(n)和Q路信号xQ(n)，并按下式计算得到电磁信号幅度特征序列样本A(n)：其中n为正整数，n≥1；
获得的各电磁信号对应的电磁信号幅度特征序列样本，构成电磁信号样本集。
9.根据权利要求6-8中任一项所述的识别方法，其特征在于，所述电磁信号样本集中各电磁信号样本所属类别需提前设定。
一种电磁信号开集识别方法
技术领域
[0001] 本发明涉及信号处理技术领域，尤其涉及一种电磁信号开集识别方法。
背景技术
[0002] 随着科技的迅猛发展，电磁信号识别在国防安全、智慧交通、安防行业等方面有着广泛的应用和重要的研究价值。通常意义上的电磁信号识别是指通过计算输入电磁信号样本与已知信号库中样本的相似度来给出输入信号的识别结果。因此，存在两类识别问题：1)无拒识的闭集(Close Set)电磁信号识别，即假定输入的电磁信号样本一定属于信号库中的某个个体；2)有拒识的开集(Open Set)识别，即首先对输入电磁信号样本是否属于已知信号库做出判断，在确定的基础上再给出识别结果。在现实场景中，电磁识别系统面临的更多的是开放的电磁环境，不仅有已知信号，还有未知信号。而相对无拒识的闭集信号识别，开集的信号识别能有效区分未知信号和已知信号，因而更加符合识别系统在实际应用，也更具研究意义。
[0003] 针对闭集电磁信号识别，目前已有众多性能良好的识别算法，如Fisher线性判别，Garbor特征判别分类法，都能达到较高的正确识别率，但将这些算法用在开集识别的表现却不尽如人意，因此开集电磁信号识别问题受到更多关注。最近邻算法求取测试样本与已知类别各样本之间距离最小者，通过与预设的阈值进行比较，来确定接收或拒绝测试样本所属的类，但是识别效果受噪声、扰动等因素的严重影响。为消除这些变化，研究人员提出归一化的方法，利用最小的归一化距离进行开集判别以提高判别准确率。尽管上述开集识别方法都在同等错误拒绝率的情况下降低了错误接受率，但这些方法只利用距离最小者或是置信度最大者这一个维度的信息进行开集判别，舍弃了测试样本与各已知类样本之间的距离或置信度在空间中的分布中包含大量的判别信息，因此，上述开集判别的准确率较低，性能不令人满意。
发明内容
[0004] 鉴于上述的分析，本发明旨在提供一种电磁信号开集识别方法，用以解决现有开集识别方法判别准确率低、性能较差的问题。
[0005] 本发明的目的主要是通过以下技术方案实现的：
[0006] 一种电磁信号开集识别方法，步骤如下：
[0007] 获取电磁信号样本集及各电磁信号样本所属类别；
[0008] 将所述电磁信号样本集分为训练集和测试集；利用训练集训练卷积神经网络，利用测试集对训练后的卷积神经网络进行评估，得到最优卷积神经网络；
[0009] 根据最优卷积神经网络，构造特征参数weibull分布模型；
[0010] 利用最优卷积神经网络对未知电磁信号进行开集识别，并根据构造的特征参数weibull分布模型判断识别结果的准确性。
[0011] 本发明有益效果如下：利用卷积神经网络强大的特征表征能力，引入极值理论，充分利用已正确检测的样本参数，构造特征参数weibull分布模型，并根据构造的特征参数weibull分布模型判断未知电磁信号识别结果的准确性，能够得到较好的未知样本拒识结果。
[0012] 在上述方案的基础上，本发明还做了如下改进：
[0013] 进一步，所述利用训练集训练卷积神经网络包括：
[0014] 将所述训练集中的各电磁信号样本作为卷积神经网络的输入，将对应的电磁信号样本所属类别作为卷积神经网络的输出，训练卷积神经网络。
[0015] 进一步，所述卷积神经网络依次包含K个基本层和全连接层；K≥1且K为整数；其中，
[0016] 每个基本层包含卷积层、ReLu层和池化层，其中卷积层对信号进行卷积处理、提取特征；ReLu层提供系数进行非线性变换；池化层对输入特征图进行压缩，提取主要特征，降低网络计算复杂度；
[0017] 全连接层包括激活层、分类层，其中，激活层用于连接第K个基本层输出的所有特征，并将输出的所有特征通过分类层进行分类。
[0018] 进一步，所述分类层利用softmax分类器实现分类功能。
[0019] 采用上述进一步方案的有益效果是：softmax分类器能够实现多种类别的分类，具备方法简单、容易实现、准确率高等优点。
[0020] 进一步，所述根据最优卷积神经网络，构造特征参数weibull分布模型，进一步包括以下步骤：
[0021] 取出最优卷积神经网络中的激活层系数v1(x)、...、vc(x)，其中c为测试结果类别数；
[0022] 将测试过程中正确分类的电磁信号样本激活层系数，记为Si,j＝vj(xi,j)，其中i为第i个电磁信号样本对应的序号，j为第i个电磁信号样本对应的样本类别,j＝1,2,...,c；
[0023] 根据测试过程中正确分类的电磁信号样本激活层系数，计算每一类样本的均值中心，记为uj＝meani(Si,j)；
[0024] 计算每一类样本中正确分类的电磁信号样本激活层系数与相应类均值中心的距离由大到小进行排序，得到相应的激活层系数排序序列Sj(l)，取排序序列中的前若干项进行weibull分布拟合，得到参数分布模型，记为：
[0025] ρj＝(τj,κj,λj)＝weibullfit(||Sj(l)-μj||,η) (1)
[0026] 其中，τj,κj,λj分别为参数weibull分布的位移参数、形状参数和尺度参数，η为选取排序序列Sj(l)的项数，利用weibullfit对相应参数进行weibull分布拟合。
[0027] 采用上述进一步方案的有益效果是：构造的卷积神经网络仅能将待识别电磁信号识别为已知的c类信号中的一种，通过引入weibull分布模型，充分利用weibull分布的统计特性，分析激活层系数与weibull分布拟合之间的内在联系，能够实现对未知类别的电磁信号的识别，提高电磁信号开集识别的准确率。
[0028] 进一步，所述利用最优卷积神经网络对未知电磁信号进行开集识别，并根据构造的特征参数weibull分布模型判断识别结果的准确性，进一步包括以下步骤：
[0029] 对未知电磁信号处理得到对应的电磁信号样本后，输入至最优卷积神经网络，获得当前的激活层系数v1(x)、...、vc(x)，取出最大的系数vm(x)，其中1≤m≤c，且m为正整数；并通过分类层输出结果获取系数vm(x)对应的类别标签P；其中，所述类别标签P为分类层的分类结果中的第m个标签；
[0030] 根据特征参数weibull分布模型，计算vm(x)与P类样本均值中心之间欧式距离对应的累积概率分布值ws：
[0031]
[0032] 其中，up是第P类样本的均值中心，τp,κp,λp分别为第P类样本的weibull分布位移参数、形状参数和尺度参数；
[0033] 设定累计概率分布阈值，当ws大于等于该阈值时，所述未知电磁信号判为未知信号；当ws小于该阈值，所述未知电磁信号判为已知信号，所述已知信号的类别为P。
[0034] 采用上述进一步方案的有益效果是：通过卷积神经网络实现未知电磁信号的初步识别，但是识别结果不一定准确，因为卷积神经网络仅能将未知电磁信号识别为已知类别中的一种；为消除这种不确定性，根据构造的特征参数weibull分布模型判断识别结果的准确性，若当前的累积概率分布值大于累计概率分布阈值，则未知电磁信号判为未知信号；反扑则为已知信号，且信号类别即为卷积神经网络的识别结果。该方面能够有效提升电磁信号开集识别的准确度。
[0035] 进一步，所述累计概率分布阈值通过以下方式设置：
[0036] 取出最优卷积神经网络中的激活层系数V1(x)、...、Vc(x)，其中c为测试结果类别数；
[0037] 计算在最优卷积神经网络中，测试集中所有电磁信号样本对应的累积概率分布值ws′(k)，k＝1,2,…,N-M，将95％的电磁信号样本满足的累积概率分布的最大值，设置为累计概率分布阈值。
[0038] 采用上述进一步方案的有益效果是：充分利用已经验证过分类的测试数据对应的累积概率分布，来相应设置累计概率分布阈值，能够更好地识别电磁信号；同时，为避免个别结果偏差带来的影响，将95％的电磁信号样本满足的累积概率分布的最大值，设置为累计概率分布阈值。
[0039] 进一步，通过选取能够反映电磁信号属性的特征参数，对电磁信号进行相应处理，获取所述电磁信号样本集。
[0040] 进一步，选取信号幅度特征作为特征参数，将各电磁信号经A/D采样及数字正交变换，得到相应的I路信号xI(n)和Q路信号xQ(n)，并按下式计算得到电磁信号幅度特征序列样本A(n)：
[0041] 其中n为正整数，n≥1；
[0042] 获得的各电磁信号对应的电磁信号幅度特征序列样本，构成电磁信号样本集。
[0043] 采用上述进一步方案的有益效果是：信号幅度特征具备获取方便、能够较多地反应信号特征等优势，可以选取信号幅度特征作为特征参数，求取各电磁信号对应的电磁信号幅度特征序列样本，构成电磁信号样本集。
[0044] 进一步，所述电磁信号样本集中各电磁信号样本所属类别需提前设定。
[0045] 本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可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说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
[0046] 附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0047] 图1为本发明实施方式中的电磁信号开集识别方法流程图；
[0048] 图2为本发明实施方式中的卷积神经网络结构示意图；
[0049] 图3为本发明实施方式中的电磁信号开集识别方法示意图。
具体实施方式
[0050] 下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0051] 本发明的一个具体实施例，公开了一种电磁信号开集识别方法，流程图如图1所示，具体包括以下步骤：
[0052] 步骤S1：获取电磁信号样本集及各电磁信号样本所属类别；
[0053] 通过选取能够反映电磁信号属性的特征参数，对电磁信号进行相应处理，获取所述电磁信号样本集。
[0054] 优选地，由于信号幅度特征具备获取方便、能够较多地反应信号特征等优势，本申请优选将信号幅度特征作为特征参数，将各电磁信号经A/D采样及数字正交变换，得到相应的I路信号xI(n)和Q路信号xQ(n)，并按下式计算得到电磁信号幅度特征序列样本A(n)：
[0055] 其中n为正整数，n≥1；
[0056] 获得的各电磁信号对应的电磁信号幅度特征序列样本，构成电磁信号样本集；
[0057] 优选地，所述电磁信号样本集中各电磁信号样本所属类别需提前设定。
[0058] 优选地，设所述电磁信号样本集中共包括N个电磁信号样本，均属于c类信号样本中的某一类；
[0059] 对电磁信号样本集中的N个电磁信号样本所属类别进行标注，则各电磁信号样本依次标注为
[0060] 步骤S2：将所述电磁信号样本集分为训练集和测试集；利用训练集训练卷积神经网络，利用测试集对训练后的卷积神经网络进行评估，得到最优卷积神经网络；
[0061] 步骤S21：将所述电磁信号样本集分为训练集和测试集，进一步执行以下操作：
[0062] 将电磁信号样本集以一定的比例分为训练集和测试集；一般地，训练集样本数量要比测试集样本数量略多：如6比4。
[0063] 其中，训练集中含M个电磁信号样本(M类别。
[0064] 测试集中含N-M个电磁信号样本，各电磁信号样本依次标注为：为了提高后期网络测试优化的准确度，N-M个样本
需涵盖所有类别。
[0065] 步骤S22：利用训练集训练卷积神经网络，进一步执行以下操作：
[0066] 将所述训练集中的各电磁信号样本作为卷积神经网络的输入，将对应的电磁信号样本所属类别作为卷积神经网络的输出，训练卷积神经网络；
[0067] 优选地，本申请中的卷积神经网络结构示意图如2所示：所述卷积神经网络依次包括K个基本层和全连接层；K≥1且K为整数；其中，每个基本层包含卷积层、ReLu(Rectified linear unit，修正线性单元)层和池化层，其中卷积层对信号进行卷积处理、提取特征；ReLu层提供系数进行非线性变换；池化层对输入特征图进行压缩，提取主要特征，降低网络计算复杂度。全连接层进一步分为激活层、分类层，
[0068] 其中，激活层用于连接第K个基本层输出的所有特征，并将输出的所有特征通过分类层进行分类；优选地，本申请中的分类层利用softmax分类器实现分类功能。
[0069] 步骤S23：利用测试集对训练后的卷积神经网络进行评估，得到最优卷积神经网络；
[0070] 将所述测试集中的各电磁信号样本作为训练后的卷积神经网络的输入，将对应的电磁信号样本所属类别作为训练后卷积神经网络的输出，评估训练后的卷积神经网络的性能，并根据测试准确率调整学习率(一般准确率要达到95％以上)；当准确率达到设定阈值时，算法训练停止迭代更新，得到最优卷积神经网络。
[0071] 在实际电磁信号开集识别过程中，除包括上述已知类别的电磁信号外，还可能包括未知类别的电磁信号，采用上述的卷积神经网络，无法对未知类别的电磁信号进行识别，导致电磁信号开集识别准确率降低。本申请通过引入weibull分布模型解决无法对未知类别的电磁信号进行识别的问题。
[0072] 步骤S3：根据最优卷积神经网络，构造特征参数weibull分布模型：
[0073] 步骤S31：取出最优卷积神经网络中的激活层系数v1(x)、...、vc(x)，其中c为测试结果类别数；
[0074] 步骤S32：将测试过程中正确分类的电磁信号样本激活层系数，记为Si,j＝vj(xi,j)，其中i为第i个电磁信号样本对应的序号，j为第i个电磁信号样本对应的样本类别,j＝1,2,...,c；
[0075] 步骤S33：根据测试过程中正确分类的电磁信号样本激活层系数，计算每一类样本的均值中心，记为uj＝meani(Si,j)；
[0076] 步骤S34：计算每一类样本中正确分类的电磁信号样本激活层系数与相应类均值中心的距离由大到小进行排序，得到相应的激活层系数排序序列Sj(l)，取排序序列中的前若干项进行weibull分布拟合，得到参数分布模型，记为：
[0077] ρj＝(τj,κj,λj)＝weibullfit(||Sj(l)-μj||,η) (1)
[0078] 其中，τj,κj,λj分别为参数weibull分布的位移参数、形状参数和尺度参数，η为选取排序序列Sj(l)的项数，利用weibullfit对相应参数进行weibull分布拟合。
[0079] 步骤S4：利用最优卷积神经网络对未知电磁信号进行开集识别，并根据构造的特征参数weibull分布模型判断识别结果的准确性。
[0080] 步骤S41：对未知电磁信号处理得到对应的电磁信号样本后，输入至最优卷积神经网络，获得当前的激活层系数v1(x)、...、vc(x)，取出最大的系数vm(x)，其中1≤m≤c，且m为正整数；并通过分类层输出结果获取系数vm(x)对应的类别标签P；其中，所述类别标签P为softmax分类器的分类结果中的第m个标签；
[0081] 步骤S42：根据特征参数weibull分布模型，计算vm(x)与P类样本均值中心之间欧式距离对应的累积概率分布值ws：
[0082]
[0083] 其中，up是第P类样本的均值中心，τp,κp,λp分别为第P类样本的weibull分布位移参数、形状参数和尺度参数；
[0084] 步骤S43：设定累计概率分布阈值，当ws大于等于该阈值时，所述未知电磁信号判为未知信号；当ws小于该阈值，所述未知电磁信号判为已知信号，所述已知信号的类别为P。
[0085] 优选的，累计概率分布阈值通过以下方式设置：
[0086] 取出最优卷积神经网络中的激活层系数V1(x)、...、Vc(x)，其中c为测试结果类别数；
[0087] 计算在最优卷积神经网络中，测试集中所有电磁信号样本对应的累积概率分布值ws′(k)，k＝1,2,…,N-M，将95％的电磁信号样本满足的累积概率分布的最大值，设置为累计概率分布阈值。
[0088] 图3为本发明实施方式中的电磁信号开集识别方法示意图，与上述开集识别过程相对应。
[0089] 本发明提出的一种电磁信号开集识别方法，利用卷积神经网络强大的特征表征能力，引入极值理论，充分利用已正确检测样本参数，构造特征参数与类中心距离的极值weibull分布，对测试样本的激活层特征根据相应weibull分布情况计算累积概率分布值并通过阈值判断信号是否已知，能够得到较好的未知样本拒识结果。
[0090] 本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0091] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
