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。