一种电磁信号可解释智能感知方法

本发明属于无线通信，特别涉及一种电磁信号可解释智能感知方法。

背景技术：

1、随着无线通信技术在各个行业的应用日趋成熟，并且通信技术对频谱带宽的需求也变得越来越高，这均使有限的频谱资源变得越来越少；同时，随着5g网络的大规模部署，物联网的快速出现，以及各种新兴技术的快速增长，对无线频谱的需求将变得越来越迫切。因此，必须在有效利用无线通信技术的同时，提高宝贵频谱资源的利用率。认知无线电作为一种机会主义频谱利用技术，将极大地提高频谱利用效率，对于缓解频谱资源稀缺的现状具有重要意义。频谱感知是认知无线电实现动态频谱接入的关键前提。

2、针对无线认知网络中的频谱感知问题，研究人员提出了多种检测方法。主要包括传统的频谱感知算法和基于深度学习的频谱感知算法。传统的频谱感知算法主要包括能量检测、匹配滤波器检测和循环平稳特征检测等。传统算法通过构造统计量基于手动调节的阈值进行判决，而人工设定的阈值，受到采样不完全等影响，很难确定较优的阈值，在低信噪比情况下分类效果较差。随着人工智能的发展，基于深度学习的认知网络频谱检测成为主要研究方向。卷积神经网络(convolutional neural network，cnn)具有多层网络结构，适合解决图像特征提取问题，在提取图像特征方面具有优势，性能明显优于传统的频谱感知算法。而后随着神经网络模型的发展，研究人员提出了基于深度残差神经网络(deepresidual network，resnet)的频谱感知方法。相较于卷积神经网络频谱感知方法，深度残差神经网络频谱感知方法解决了cnn网络结构简单导致提取接收信号的特征信息有限，直接堆叠层数会降低频谱感知准确率和频谱感知效率等问题，而且收敛速度更快并且还有更高的识别准确率。这些研究都证明了将深度学习方法用于频谱感知的可行性。同时，研究发现直接将深度学习应用于频谱检测领域，可以取得比传统能量检测方法更好的性能。

3、但由于深度学习模型是黑盒模型，对深度学习模型的可解释性的需求主要来源于对问题和任务了解得还不够充分。尽管高度的非线性赋予了多层神经网络极高的模型表示能力，再配合一些合适的调参技术，可以在很多问题上达到非常喜人的表现，但最后只能得到一堆看上去毫无意义的模型参数和拟合度非常高的判定结果。作为模型开发者，我们显然不能仅仅满足于模型效果好即可。实际上，对模型可解释性的探究就是在探寻模型能得出满意的结果的原理，了解到原理，也许就不需要很多无用的模型调参工作，优化的方向也会更有方向性。

4、综上所述，虽然存在多种频谱感知算法，无论是传统的频谱感知算法和基于深度学习的频谱感知算法，现有的方法都没有对电磁频谱正确感知的原因进行可解释性分析。设计更为合理的频谱感知算法，并对设计出的算法进行可解释性分析是是非常有必要的。

技术实现思路

1、针对上述现有技术尚未将深度学习应用于循环谱检测，也缺乏对低信噪比信号进行检测的手段，而已有的将深度学习应用于频谱检测领域也无法对电磁频谱正确感知的原因进行可解释性分析，本发明提出了一种电磁信号可解释智能感知方法，该方法利用循环谱提取无线网络信号特征，同时将深度学习方法应用于频谱感知问题，最后将输出层的权重投影回卷积特征映射来识别图像区域，通过特征映射标注特定类别的区别区域，从而确定出深度学习网络进行频谱感知的原因，实现电磁信号可解释智能感知。

2、为了解决上述技术问题，本发明的技术方案如下。

3、第一方面，本发明提出了一种电磁信号可解释智能感知方法，所述方法包括：

4、获取待感知信号的循环谱图，将其输入预设的深度神经网络模型，提取待感知信号对应的无线网络信号特征，以对待感知信号进行分类；

5、对待感知信号所属类别，利用该类别所对应的值及当前模型参数，生成类别激活映射；

6、通过类别激活映射对待感知信号所属类别的区别区域进行标注，实现对待感知信号的可解释智能感知。

7、在上述技术方案中，本发明在建模之后使用可解释性方法对模型做出解释，即对待感知信号，将其循环谱图使用深度神经网络模型进行分类，并将获得该分类的图像特征所在的区域通过类别激活映射在原图中直观地标注出来，从而实现对模型的解释。本发明不仅能够对高信噪比信号进行检测，也能够对低信噪比进行检测。

8、在上述技术方案中，深度神经网络模型的一种实施方式如下：所述待感知信号的循环谱图在输入预设的深度神经网络模型时，先经过两个卷积层、一个最大池化层的处理，再依次经过四个级联的基本残差模块、一个平均池化层、两个全连接层，最后经softmax层实现分类。

9、在上述技术方案中，基于信号的频谱图进行感知的问题是将输入分为两类，分别是包含噪声的信号类、没有信号的噪声类；

10、所述信号类用h1表示，噪声类用h0表示，则：

11、h1：r(n)＝hs(n)+w(n)

12、h0：r(n)＝w(n)

13、其中：r(n)表示接收信号，s(n)表示发射信号，w(n)表示噪声，h表示信道收益。

14、作为上述技术方案的进一步改进，所述类别激活映射将预测的类别所对应的值逐层逆映射到上一层，直至输入层，将输入层得到的逆映射区域作为区别区域。深度神经网络模型逐层提取特征的过程可以视为逐层映射的过程，从最后的分类结果，再逐层逆映射，可使特征图中的一个像素对应原图中的一个区域，而像素值表示从该区域提取到的特征。若逐层均进行标注，可看出特征提取所依据的区域变化。

15、在一种实施方式中，所述预设的深度神经网络模型采用下述步骤获取：

16、获取待感知电磁信号循环谱图，待感知电磁信号为数据集awgn信道下的信号样本和纯噪声样本；

17、将样本作为深度神经网络的输入，将样本对应的类别标签作为深度神经网络的输出，对深度神经网络进行训练；

18、在训练中，采用带动量的随机梯度下降(sgd)方法对深度神经网络的参数进行更新；

19、在训练完成后，将通过测试的深度神经网络模型作为预设的深度神经网络模型。

20、在上述技术方案中，所述带动量的随机梯度下降(sgd)方法中采用的损失函数为如下交叉熵函数：

21、

22、其中：n为训练样本的数量，m(i)为第i个样本的真标签，m(i)∈{0，1}，om(i)为第i个样本对应的输出值。

23、作为上述技术方案的改进，所述softmax层计算分类类别的置信度，当类别的置信度大于设定的决策阈值时，则该类别为当前待感知信号对应的分类结果。

24、作为上述技术方案的改进，所述预设的深度神经网络模型满足设定的虚警概率pf：

25、pf＝p{h1|h0}

26、其中：h1表示信号类，h0噪声类，p{h1|h0}表示在样本为噪声类的情况下被认为是信号类的概率。通过调整虚警概率，从而调整预设的深度神经网络模型的分类准确率。

27、第二方面，本发明提出一种电磁信号可解释智能感知装置，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述任一种方法的计算机程序。

28、第三方面，本发明提出一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种方法的计算机程序。