一种无线电信号图像识别模型构建、识别方法及装置与流程

本发明涉及无线电信号图像识别领域，具体涉及一种无线电信号图像识别模型构建、识别方法及装置。

背景技术：

无线电信号识别的本质是一个模式识别问题，其中的关键问题在于如何获得信号的一个好的特征表达，即特征工程。特征工程能够从输入的信号序列中找到与识别密切相关的特征来表示原始数据，不仅可以降低数据维度并减少计算量，以避免后续分类器学习的“维数灾难”，而且可以提高信号的判别性，这对分类器的性能及分类效果的好坏以及后续的关联预测等性能均有着直接的影响。

目前无线电信号常采用的特征工程方法是基于专家先验知识的人工特征提取方法，即以单一信号类型作为分析研究对象，借助专家先验知识的特征工程方法。这一方法需要利用专业背景知识和技巧处理数据，使特征在机器学习算法上发挥更好的作用。随着现代通信环境中电磁干扰日渐复杂、新型通信方式层出不穷，无线电信号呈现出海量、多维、动态等一些非结构化的特点，使得基于专家先验的传统无线电信号特征提取和分类识别方法的应用面临着诸多的困难与局限，因此现有技术中的无线电信号图像识别方法存在识别不准确，处理效率低的问题。

技术实现要素：

本发明的目的在于提供一种无线电信号图像识别模型构建、识别方法及装置，用以解决现有技术中无线电信号图像识别方法存在识别不准确的问题。

为了实现上述任务，本发明采用以下技术方案：

一种无线电信号图像识别模型构建方法，按照以下步骤执行：

步骤1、获取多幅无线电信号图像，获得初始图像集；

对所述的初始图像集中每幅图像进行标签标注，获得标签集，其中所述的标签包括信号类别以及其他类别，所述的信号类别包括多个类别名称；

步骤2、将所述的初始图像集作为输入，将所述的标签集作为输出，训练卷积神经网络；

所述的卷积神经网络包括依次连接的特征提取子网络以及目标检测子网络；

所述的特征提取子网络包括多个第一卷积块、多个第二卷积块以及多个降采样层；

所述的第一卷积块包括依次连接的第一卷积层以及激活层；

所述的第二卷积块包括依次连接的第二卷积层以及激活层；

所述的第一卷积层中卷积核大小为3×3，所述的第二卷积层中卷积核大小为1×1；

所述的目标检测子网络包括金字塔网络；

获得无线电信号图像识别模型。

进一步地，所述的特征提取子网络包括依次设置的第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积块、第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层以及第一卷积层。

进一步地，所述的激活层为relu激活层。

进一步地，所述的无线电信号图像识别模型中损失函数f为：

f＝-β(1-pt)^μlog(pt)式i

其中pt为概率函数，当卷积神经网络的输出为任一个信号类别时，pt＝p，当卷积神经网络的输出为其他类别时，pt＝1-p，p为概率值，0≤p≤1，β为常数系数，0<β<1，μ为大于0的数。

一种无线电信号图像识别方法，将待识别的无线电信号图像输入至所述的无线电信号图像识别模型构建方法构建出的无线电信号图像识别模型中，获得识别结果。

一种无线电信号图像识别模型构建装置，包括图像获取及标注模块以及网络训练模块；

所述的图像获取及标注模块用于获取多幅无线电信号图像，获得初始图像集；

还用于对所述的初始图像集中每幅图像进行标签标注，获得标签集，其中所述的标签包括信号类别以及其他，所述的信号类别包括多个类别名称；

所述的网络训练模块用于将所述的初始图像集作为输入，将所述的标签集作为输出，训练卷积神经网络；

所述的卷积神经网络包括依次连接的特征提取子网络以及目标检测子网络；

所述的特征提取子网络包括多个第一卷积块、多个第二卷积块以及多个降采样层；

所述的第一卷积块包括依次连接的第一卷积层以及激活层；

所述的第二卷积块包括依次连接的第二卷积层以及激活层；

所述的第一卷积层中卷积核大小为3×3，所述的第二卷积层中卷积核大小为1×1；

所述的目标检测子网络包括金字塔网络；

获得无线电信号图像识别模型。

进一步地，所述的特征提取子网络包括依次设置的第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积块、第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层以及第一卷积层。

进一步地，所述的激活层为relu激活层。

进一步地，所述的无线电信号图像识别模型中损失函数f为：

f＝-β(1-pt)^μlog(pt)式i

其中pt为概率函数，当卷积神经网络的输出为任一个信号类别时，pt＝p，当卷积神经网络的输出为其他时，pt＝1-p，p为概率值，0≤p≤1，β为常数系数，0<β<1，μ为大于0的数。

一种无线电信号图像识别装置，用于将待识别的无线电信号图像输入至无线电信号图像识别模型构建装置构建出的无线电信号图像识别模型中，获得识别结果。

本发明与现有技术相比具有以下技术效果：

1、本发明提供的无线电信号图像识别模型构建、识别方法及装置通过构建了识别模型的网络结构，该网络使用mobilenet作为特征提取网络，压缩了ssd网络的大小，加快了网络的检测速度，提高了网络的检测精度；

2、本发明提供的无线电信号图像识别模型构建、识别方法及装置通过提供了识别模型的损失函数，通过在交叉熵损失函数的基础上添加俩个超参数，既可以调整正负样本的损失函数权重，使得正样本损失函数的比重增加,又可以控制难易分类样本的权重，从而提高网络的检测精度。

附图说明

图1为本发明的一个实施例中提供的无线电信号图像；

图2为本发明的一个实施例中提供的无线电信号图像识别模型结构示意图；

图3为本发明的一个实施例中提供的待识别的无线电信号图像；

图4为本发明的一个实施例中提供的对图3的待识别的无线电信号图像的识别结果。

具体实施方式

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

首先对本发明涉及的定义或概念内涵做以说明：

金字塔网络(fpn)：根据特征金字塔概念设计的特征提取器,目的是提高精度和速度，它替代了类如fasterr-cnn中的特征提取器,并且生成更高质量的特征图金字塔。

实施例一

在本实施例中公开了一种无线电信号图像识别模型构建方法，按照以下步骤执行：

步骤1、获取多幅无线电信号图像，获得初始图像集；

对所述的初始图像集中每幅图像进行标签标注，获得标签集，其中所述的标签包括信号类别以及其他类别，所述的信号类别包括多个类别名称；

在本实施例中，所使用的数据为短波频段调制信号。具体如下：

(a)信道编码方式：汉明码、码率1/2、2/3的(2，1，6)非系统卷积码、3/4码率的(4，3，2)非系统卷积码。

(b)调制方式：qpsk、8psk、2fsk。

将上述4种信道编码方式与3种调制方式相结合，共计10种编码调制信号。am、fm单独调制，生成2种调制信号。对于短波频段的10种编码调制联合信号，每种信号的帧长取10ms-150ms内的随机数，调制速率取50bd-2.4kbd内的随机数；再将10种编码调制联合信号中的每种信号，依据帧长和调制速率的不同分为25小类，每类1000个信号，得到25000个信号样本。对于每一个信号样本的所有信息点，以100个信息点为间隔采样组成一个信号样本，将这些样本波形利用图像传感器制成图像；对无线电信号图像集进行剪裁处理，剪裁成256*256大小的图像组成未标注定性图像集。

在本实施例中获取的无线电图像如图1所示；

在本实施例中，其他类别是指信号图像中的信号为信号类别之外的任意信号类别，例如在本实施例中信号类别包括a,b和c，但是实际上信号类别有a,b,c,d和e，此时d和e就为其他类别。

在本实施例中，标签包括汉明码编码qpsk调制、汉明码编码8psk调制、汉明码编码2fsk调制、码率1/2的(2,1,6)的非系统卷积码编码qpsk调制、码率1/2的(2,1,6)的非系统卷积码编码8psk调制、码率1/2的(2,1,6)的非系统卷积码编码2fsk调制、码率2/3的(2,1,6)的非系统卷积码编码qpsk调制、码率2/3的(2,1,6)的非系统卷积码编码8psk调制、码率3/4的(4,3,2)的非系统卷积码编码qpsk调制、码率3/4的(4,3,2)的非系统卷积码编码2fsk调制以及其他类别，一共11种标签。

步骤2、将所述的初始图像集作为输入，将所述的标签集作为输出，训练卷积神经网络；

所述的卷积神经网络包括依次连接的特征提取子网络以及目标检测子网络；

所述的特征提取子网络包括多个第一卷积块、多个第二卷积块以及多个降采样层；

所述的第一卷积块包括依次连接的第一卷积层以及激活层；

所述的第二卷积块包括依次连接的第二卷积层以及激活层；

所述的第一卷积层中卷积核大小为3×3，所述的第二卷积层中卷积核大小为1×1；

所述的目标检测子网络包括金字塔网络；

获得无线电信号图像识别模型。

在本实施例中，特征提取子网络用于获取图像的特征图，之后将特征图输入至目标检测子网络中获得分类结果。

在本实施例中使用可分离卷积。标准ssd网络使用vgg特征提取网络，而改进型ssd网络中使用mobilenet作为特征提取网络。因为vgg特征提取网络和mobilenet特征提取网络都有良好的网络可移植性，所以替换过程为：首先将vgg特征提取网络从ssd网络中剥离，然后将mobilenet中的平均池化层与全连接层删除，最后将改造后的mobilenet添加到ssd网络中。

在本实施例中，第一卷积块作用是特征提取；第二卷积块的作用是降低卷积计算量，第一卷积块利用1×1的卷积核操作将卷积层进行通道压缩，第二卷积块针对压缩后的特征图利用3×3卷积核操作进行相邻单元特征提取，最后输出一组新的特征图。

可选地，所述的激活层为relu激活层。

可选地，所述的特征提取子网络包括依次设置的第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积块、第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层以及第一卷积层。

在本实施例中设计的特征提取子网络，使用mobilenet作为特征提取网络，压缩了ssd网络的大小，加快了网络的检测速度，同时修改了网络损失函数，使得正样本损失函数的比重增加，从而提高了网络的检测精度。

在本实施例中，如图2所示，其中降采样层一般是最大池化，就是在利用2*2的窗口在图像区域选取最大的一个像素值，其他3个忽略，窗口步长为1，最后就剩图像原像素的一半。

可选地，所述的无线电信号图像识别模型中损失函数f为：

f＝-β(1-pt)^μlog(pt)式i

其中pt为概率函数，当卷积神经网络的输出为任一个信号类别时，pt＝p，当卷积神经网络的输出为其他时，pt＝1-p，p为概率值，0≤p≤1，β为常数系数，0<β<1，μ为大于0的数。

作为一种优选的实施方式，β＝0.25，μ＝2。

在本实施例中，通过在交叉熵损失函数的基础上添加俩个超参数，既可以调整正负样本的损失函数权重，又可以控制难易分类样本的权重，从而提高网络的检测精度。

在本实施例中，对卷积神经网络进行训练时设置学习率为0.001，动量为0.9，权重衰减为0.0005，批量大小为32；在正式训练时，作为输入的裁剪后的目标物体图像大小统一设置为300×300，以减少网络参数，降低训练计算量；网络超参数方面，每次训练的批大小设置为8，priorbox数量k设置为4，使用comv4_3,conv7,conv8_2,conv9_2,conv10_2,conv11_2来预测位置和置信度，并用目标物体图像训练集重新训练整个网络，学习率为0.001迭代40000次，然后使用0.0001和0.00001的学习率各迭代10000次；其余学习参数与预训练相同；权重使用浮点数格式代替二值格式，以使包含更多细节；采用数据扩增(dataaugmentation)可以提升ssd网络的性能，主要采用的技术有水平翻转(horizontalflip)，随机裁剪加颜色扭曲(randomcrop&colordistortion)，随机采集块域(randomlysampleapatch)获取小目标训练样本。

实施例二

一种无线电信号图像识别方法，将待识别的无线电信号图像输入至无线电信号图像识别模型构建方法构建出的无线电信号图像识别模型中，获得识别结果。

在本实施例中，对如图3所示的待识别的无线电信号图像进行识别，将图3的待识别的无线电信号图像输入至无线电信号识别模型中，识别结果如图4所示，该信号为qpsk+hm信号。

实施例三

一种无线电信号图像识别模型构建装置，包括图像获取及标注模块以及网络训练模块；

所述的图像获取及标注模块用于获取多幅无线电信号图像，获得初始图像集；

还用于对所述的初始图像集中每幅图像进行标签标注，获得标签集，其中所述的标签包括信号类别以及其他，所述的信号类别包括多个类别名称；

所述的网络训练模块用于将所述的初始图像集作为输入，将所述的标签集作为输出，训练卷积神经网络；

所述的卷积神经网络包括依次连接的特征提取子网络以及目标检测子网络；

所述的特征提取子网络包括多个第一卷积块、多个第二卷积块以及多个降采样层；

所述的第一卷积块包括依次连接的第一卷积层以及激活层；

所述的第二卷积块包括依次连接的第二卷积层以及激活层；

所述的第一卷积层中卷积核大小为3×3，所述的第二卷积层中卷积核大小为1×1；

所述的目标检测子网络包括金字塔网络；

获得无线电信号图像识别模型。

可选地，所述的特征提取子网络包括依次设置的第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积块、第一卷积块、第二卷积块、第一卷积块、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、降采样层、第二卷积层、第一卷积层、第二卷积层、第一卷积层、第二卷积层以及第一卷积层。

可选地，所述的激活层为relu激活层。

可选地，所述的无线电信号图像识别模型中损失函数f为：

f＝-β(1-pt)^μlog(pt)式i

其中pt为概率函数，当卷积神经网络的输出为任一个信号类别时，pt＝p，当卷积神经网络的输出为其他时，pt＝1-p，p为概率值，0≤p≤1，β为常数系数，0<β<1，μ为大于0的数。

实施例四

一种无线电信号图像识别装置，用于将待识别的无线电信号图像输入至无线电信号图像识别模型构建装置构建出的无线电信号图像识别模型中，获得识别结果。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。