基于多标签孪生网络的快速混合干扰识别方法与流程

本发明属于无线通信领域，涉及一种基于多标签孪生网络的快速混合干扰识别方法。

背景技术：

1、随着无线网络技术和设备的不断更新以及网络覆盖率的不断提高，无线网络已经从单一的通信系统演化为集通信能力和信息感知能力为一体的系统。无线网络的通信能力是信息感知能力的基础，信息感知能力是提高无线网络的通信能力、丰富无线网络的服务能力的重要途径。但是随无线通信技术的日益复杂，无线空间变得越来越复杂，对于环境中存在的无线信号进行有效地感知和识别变得越来越重要，特别是在军事侦查和通信对抗中，对于通信信号感知和识别有着较高的要求，因此有必要进行信号认知，进一步帮助解决后续的干扰协调、资源调配等问题，从而提高网络的服务质量(quality of service，qos)。在信号识别中，单干扰和复合干扰的快速识别，以及针对未知干扰的识别在通信对抗中尤为重要。近几年来，针对单干扰识别，能够做到很高的性能。但是针对复合干扰，大部分都是基于单干扰两两配对而形成的，模型要求数据集庞大，训练过程非常缓慢，识别率还低，不能识别新的干扰类型。

2、传统的干扰认知技术基于信号特征的识别，从干扰信号提取的特征向量经过预处理，然后由干扰分类器进行分类，识别干扰信号的类型。干扰分类传统方法包括支持向量机(support vector machine,svm)、决策树和反向传播(back propagation,bp)神经网络等分类方法。由于基于人工特征提取带来有用特征信息损失，近年来，基于深度神经网络的机器学习干扰认知技术兴起，通过利用卷积神经网络(convolutional neural networks,cnn)提取特征并完成干扰信号的识别。基于卷积神经网络的干扰识别性能明显优于基于特征提取的传统干扰认知技术。

3、卷积神经网络的优势有赖于大数据，在大数据的驱动下，机器能够进行有效学习，然而数据量不足会导致模型出现过拟合或识别率低等问题，虽然简单的数据增强(dataaugmentation,da)和正则化技术可以缓解该问题，但是该问题并没有得到完全解决，故针对小数据集的小样本学习成为了解决这类问题的关键技术。小样本学习的产生有两个因素，一是训练数据量少。比如在医疗领域，医学影像的产生来源于病例，通常少量的病例并不能够辅助机器对医疗影像进行分析。二是让机器学会以人类的方式进行学习，即类人学习。人类能够在获取少量样本的情况下，对样本进行分类和识别，并且具有快速理解新概念并将其泛化的能力，小样本学习的目的之一就是让机器以人类的学习方式完成任务。小样本学习能够利用类别中的少量样本，即一个或者几个样本进行学习。类别下的训练样本只有一个的情况下，小样本学习被称为one-shot learning，类别下的训练样本有多个的情况下，称为few-shot learning，few-shot learning包含有one-shot learning的情况。

4、多标签和多分类要进行区分。所谓的多分类是在二分类基础上的一个概念。在二分类问题中，数据产生的标签为0、1。比如要识别一幅图中是否有小狗的存在。而多分类则是区分更多类，相应数据产生的标签可以定义为0、1、2…。比如判断一幅图中的动物是猫、狗、鸟、兔、狼…。多标签就是一个样本同时具有多个标签。比如一幅图中既有猫狗也有鸟，如果猫狗鸟属于当前任务识别类别之类，那么这个样本就具有多标签，显然多标签任务难度相较于以上两种更高。

技术实现思路

1、针对以上技术问题，本发明提出一种基于多标签孪生网络的快速干扰识别。本发明主要解决两个问题，一是在感知信号信息较少的情况下，快速准确的进行混合信号识别分类；二是当信号环境中出现的新的信号类型时，快速准确的进行信号识别。

2、本发明首先通过基础干扰类型来构建混合干扰类型，并分为训练集(trainingset)、验证集(validation)，测试集(test)其中，基础信号类型包括单音信号、部分频带信号和噪声调频信号，由基础信号扩展为混合干扰类型，混合干扰有2n-1种，n为基础干扰种类个数。基于训练集完成基础神经网络训练，其中，神经网络采用孪生神经网络(siamesenetwork)。已知信号类型分类可以通过多标签孪生神经网络进行分类识别。未知信号类型通过构造support set与query进行识别，将来自query中的样本和support set中每一个样本依次通过多标签孪生神经网络获取到各自对应的特征向量，利用欧氏距离判断待测样本与support set中的相似程度。

3、利用本发明所提的快速混合干扰识别方案实现包括以下步骤：

4、s1：获取原始混合干扰数据集。根据基础干扰类型构造混合干扰数据集，基础干扰类型可包括但不限于：单音干扰、部分频带噪声干扰和噪声调频干扰三种干扰信号。由三种基础干扰信号扩展的混合干扰包括7种样式：单音干扰、部分频带噪声干扰、噪声调频、单音+部分频带噪声、噪声调频+部分频带噪声、单音+噪声调频、单音+噪声调频+部分频带噪声。将原始混合干扰数据集分为训练集和测试集，并且打上多标签。

5、s2：根据s1中所构造的数据集进行预处理。将预处理后的训练数据集两两配对采用多标签孪生神经网络完成模型的训练，其中，孪生神经网络是由两个具有相同结构的神经网络构成，多标签是为了处理复合干扰识别。

6、s3：基于训练集完成基础的多标签孪生神经网络训练。

7、s4：判决，针对已知干扰信号与已知干扰信号，多标签孪生神经网络可以对已知干扰信号自动分类，以及评判已知信号的相似程度。针对未知干扰信号与未知干扰信号，可以判定成对未知干扰信号是否属于同一类，引入support set和query的概念，可以在一定程度对未知信号进行分类。针对未知干扰与已知干扰结合，同样可以判定两两配对后的相似程度，以及进行简单的已知信号和未知信号分类。

8、根据本发明，上述步骤s1包含以下步骤：

9、s1.1：从大量基础信号类型(单音干扰、部分频带噪声干扰和噪声调频干扰)样本中构造混合干扰训练样本集，训练集中的样本形式为(目标信号一、多标签一、目标信号二、多标签二、异同标签)五个信息。

10、s1.2：进行多标签的标注。首先创建3个基础干扰的文件夹，将数据集根据图像信息归类。比如单音干扰就存放在单音干扰文件夹下，单音+部分频带噪声存放在单音文件夹下和部分频带噪声文件夹下，即同一张图片可能遍历2次，3种复合干扰就会遍历三次。这里，令单音标签为[1，0，0]，部分频带噪声干扰标签为[0，1，0]，噪声调频标签为[0，0，1]，单音+部分频带噪声标签为[1，1，0]，单音+噪声调频标签为[1，0，1]，部分频带噪声+噪声调频标签为[0，1，1]，单音+部分频带噪声+噪声调频标签为[1，1，1]。

11、根据本发明，上述步骤s2包含以下步骤：

12、s2.1：进行数据集的预处理部分，预处理操作包括随机裁剪、水平翻转、归一化。

13、s2.2：构建两个完全相同并且权值共享的神经网络，神经网络包括多个神经网络层，每个神经网络层中包括多个神经元、激活函数，采用交叉熵损失函数和多标签损失函数。分别将成对样本映射到新的空间，形成输入在新的空间表示。成对输入干扰特征经过孪生网络后得到输出向量，该输出向量会经过求欧氏距离的函数，在经过一个sigmoid激活函数，得到一个值，该值越大，那么输入越相似。经过孪生网络后的特征向量如果判断为相同，那么会输入到多标签分类器，进行分类识别。

14、根据本发明，上述步骤s3包含以下步骤：

15、s3.1：训练时，对于正样本，即来自同一类干扰的样本对，通过多标签孪生神经网络后得到输出特征向量，该特征向量求得欧氏距离后通过交叉熵损失函数，让彼此之间的欧氏距离更近。

16、s3.2：对于负样本，即来自不同干扰样本对，应该通过交叉熵损失函数，让彼此之间的欧式距离更远。

17、s3.3：训练过程中，多标签孪生神经网络有两个损失函数，要注意搭配，第一个损失函数为交叉熵损失函数，目的是为了判定两种输入干扰是否是同一类的概率，概率越大，那么两者越相似。第二个损失函数为多标签损失函数，目的是为了对已知干扰信号进行分类，这两个损失函数之间存在一定的关系。在训练过程中，由于输入的为成对的干扰信号，如果输入的干扰信号是不同的干扰信号，那么在多分类判定的时候就有问题，不清楚最终输出的结果判定给这两种不相同干扰的哪一类。所以在进行多分类判定前，首先要检测输入成对干扰是否相同，相同则将特征向量进行融合，在通过分类器进行分类。多标签损失函数是否执行，要观察成对输入干扰是否判定为来自同一类干扰。

18、根据本发明，上述步骤s4包含以下步骤：

19、s4.1：判决的时候要分情况，首先考虑已知信号与已知信号的结合。多标签孪生神经网络通过分类器具有分类已知信号的能力，因此可以将已知信号成对输入，比如：检测单音干扰，那么将单音干扰输入到多标签孪生神经网络，两个输入端均为相同的样本，也可以一张为待测样本，另外一张为训练样本。在分类的时候要考虑到，该神经网络为多标签的形式，因此要定义一个阈值，将该阈值函数与分类器输出的结果作比较，如果对应位置大于等于该阈值，那么就将该位置上的信息置为1，反之置为0。在检测多标签神经网络的性能时，会引入完全正确的概率，以及部分正确的概率，例如：经过多标签孪生神经网络分类器后的特征向量为[0.48，0.52，0.98]，那么将对应位置与阈值作比较，生成最终的判别向量[0，1，1]，对应真实标签值，若真实标签为[0，1，1]，那么完全正确。如果真实标签为[0，0，1]或[0，1，0]，则为部分正确，多标签孪生神经网络并非完全错误，只是查不全。在检测已知干扰和已知干扰时，还可以判定这两种信号是否来自同一类，进行二分类。在进行二分类的时候，由于多标签的原因，因此在这里需要标签转化，即输入的成对已知干扰的真实标签已知，进行判定，相同则为1，不同则为0，再将成对的待测样本输入到多标签孪生神经网络中，得到两个输出特征向量。输出特征求得欧氏距离后，在经过sigmoid激活函数，判定相似的概率，通过二元交叉熵损失函数反向迭代，更新参数。

20、s4.2：考虑未知干扰与未知干扰的情况。未知干扰和未知干扰同样能成对输入到多标签孪生神经网络中，得到输出特征向量，求得输出特征向量之间的欧氏距离，在经过sigmoid函数，得到相似的概率，因而能判断两个未知信号是否属于同一类。同样，如果拥有未知干扰先验信息，能够有少量未知干扰样例，在未知干扰中，提供一定量的support set，将query中的样本与support set样本依次输入到多标签孪生神经网络中，求得欧氏距离后再经过sigmoid函数，判定概率大小，根据概率来进行分类。

21、s4.3：考虑未知干扰和已知干扰结合的情况。首先未知干扰和已知干扰能够成对输入多标签孪生神经网络，进行判定两者是否相似，步骤跟s4.1和s4.2判断相似性一致。测试已知干扰时，分类器能够快速识别两者相似程度以及属于哪一类干扰。测试分类情况时，未知信号输入到多标签孪生神经网络时，同样能够经过分类器得到最终的向量。由于该分类器是训练已知信号，那么未知干扰最终的特征向量在理想情况下应该都是小于阈值的，最终判定为[0，0，0]。当然这里会出现已知干扰识别为未知干扰，未知干扰识别为已知干扰的情况。在测试分类的时候同样可以引入query和support set，考虑到有已知干扰的加入，那么在support set较小的情况下也能够快速识别测试干扰是已知干扰还是未知干扰。

22、有益效果

23、本发明基于多标签、孪生网络来完成对不同干扰信号(单干扰、复合干扰、未知干扰)的区别。克服了在线感知干扰信息较少的情况下如何快速准确的进行干扰识别的问题，可以快速完成对干扰环境中出现的新的干扰类型，为抗干扰波形生成提供关键信息。