申请/专利权人：山东大学

申请日：2024-02-19

公开（公告）日：2024-04-30

公开（公告）号：CN117743946B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/25;G06F18/213;G06N3/0464;G06N3/0455;G06F17/14;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明提出了基于融合特征和组卷积ViT网络的信号类型识别方法及系统，属于电磁信号的自动调制识别技术领域，包括：将调制信号变换到时频域，得到时频图，以获取信号的瞬态特性和频率变化信息；采用可视图算法将调制信号转化为时间序列可视化网络；将时频图和时间序列可视化网络的特征进行提取融合，形成更加综合和多维的特征表示即融合特征；融合特征被送入多组卷积残差网络，该网络能够进行多尺度时空信号相关性提取；将组卷积残差网络提取的深度特征送入TransformerEncoder模块中，利用多头自注意力机制对输入的全局建模能力，继续获取信号的全局特征。最后将提取的特征通过全连接层进行分类决策，识别出信号的调制类型。

主权项：1.基于融合特征和组卷积ViT网络的信号类型识别方法，其特征是，包括：将调制信号变换到时频域，得到时频图，以获取信号的瞬态特性和频率变化信息；采用可视图算法将调制信号转化为时间序列可视化网络，用于捕捉时间序列数据点之间的关系；将时频图和时间序列可视化网络的特征进行提取融合，形成更加综合和多维的特征表示即融合特征；融合特征被送入多组卷积残差网络，该网络能够进行多尺度时空信号相关性提取；将融合特征输入多组卷积残差网络中进行更复杂、抽象的特征提取，获取深度特征；多组卷积残差网络具有多个卷积块级联的形式，并带有跳跃连接，用于提取深度特征，用于分析出多尺度时空信号相关性；其中，所述多组卷积残差网络有两个基础结构，分别为C-Block和Cx-Block；C-Block对应输入通道数和输出通道数相同的情况，用来加深网络，通过增加层次来提高网络的表示能力；Cx-Block对应输入通道数和输出通道数不同的情况，用来改变网络的维度，通过调整通道数，Cx-Block用来控制网络中信息的流动和维度的变化；所述多组卷积残差网络通过交替使用Cx-Block和C-Block，以及残差连接和池化操作，形成深度网络结构，提升多层次、多尺度的图像特征；将多组卷积残差网络提取的深度特征送入TransformerEncoder中，利用多头自注意力机制的全局建模能力，进一步提取调制信号的全局特征；还包括：将多组卷积残差网络提取的深度特征进行展平，得到具体的特征维度，然后通过线性层改变特征维度到ViT网络的常数隐藏向量，接着组合一个ClassToken，其通过TransformerEncoder后的状态代表图像输出表示，和可学习的随机初始化的位置信息相加；将添加完位置信息的多组卷积残差网络嵌入层的序列送入TransformerEncoder中，TransformerEncoder包含4层，每个层都由多头自注意力机制和前馈网络组成，层归一化被应用在层之前，在每层之后还应用残差连接；前馈网络先将每个位置的特征映射到更高维度的表达空间，再映射回原来维度，通过两个全连接层和激活函数实现，最后，通过线性层对提取的特征进行分类。

全文数据：

权利要求：

百度查询： 山东大学 基于融合特征和组卷积ViT网络的信号类型识别方法及系统

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