申请/专利权人：电子科技大学

申请日：2023-12-15

公开（公告）日：2024-03-19

公开（公告）号：CN117725452A

主分类号：G06F18/23213

分类号：G06F18/23213;G06N3/0464;G06N3/0442;G06N3/088;G06F18/214;G06F18/213

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明属于电磁目标识别技术领域，具体来说是涉及一种基于深度聚类的电磁目标盲识别方法。本发明基于深度聚类的电磁目标识别方法为提取更有效的射频指纹特征，考虑IQ信号的时序特点，使用长短时记忆网络作为网络的编码器部分提取特征；并采用改进后的KMeans聚类算法，使模型更加能够区分IQ信号样本之间的差异，从而保证在无监督环境下的电磁目标识别准确率。

主权项：1.一种基于深度聚类的电磁目标盲识别方法，其特征在于，包括以下步骤：S1、采集射频信号并进行预处理得到训练数据，预处理方法包括滤波和信号框选，信号框选的方法是：将滤波后的信号数据输入TDMA信号时隙框选与处理程序，得到分段的信号数据，框选后的I路和Q路数据形成多段长度不相等的二维矩阵作为训练数据；S2、构建基于深度聚类的信号盲识别模型，该模型包括学习表征模块和聚类模块，两个模块构成迭代式的深度聚类模型；学习表征模块包括编码器和解码器两部分，其中编码器包括依次连接的卷积层、第一长短时记忆网络和第二长短时记忆网络，训练数据经过编码器部分后得到高维信号数据的低维潜在表示；所述第一长短时记忆网络和第二长短时记忆网络为改进的长短时记忆网络，改进方法为使用了带注意力机制的长短时记忆网络；所述解码器包括上采样层和反卷积层，编码器输出的低维潜在表示经过解码器部分计算损失函数，用于神经网络训练过程中的参数调整；聚类模块使用基于KMeans改进的聚类算法，改进方法为加入了归一化和主成分分析，针对无监督聚类的条件，综合使用轮廓系数、邓恩系数、CH系数、残差平方和数据作为选择聚类簇数和评估聚类效果的参数；两个模块构成迭代式的深度聚类方法，整个深度聚类模型通过最小化学习表征模块的损失和聚类结果的损失构成的综合损失函数，在学习表征模块和聚类模块间交替更新；S3、利用训练数据对构建的信号盲识别模型进行训练，信号盲识别模型采用的损失函数为学习表征模块的最小化均方误差损失和聚类模块的欧氏距离损失的综合损失，将预处理后的训练数据输入深度聚类模型，得到训练好的信号盲识别模型；S4、将需要分类的射频信号数据输入到训练好的信号盲识别模型进行识别。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于深度聚类的电磁目标盲识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD