技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种基于Conv-KANformer的神经网络干扰识别方法  >  正文

一种基于Conv-KANformer的神经网络干扰识别方法

  • 国知局
  • 2024-09-05 14:25:30

本发明属于干扰识别领域,涉及一种基于conv-kanformer的神经网络干扰识别方法。

背景技术:

1、在当今信息爆炸的时代,无线通信技术正站在科技飞速发展的前沿。从5g到6g,再到未来更多令人期待的移动通信技术,每一步的跨越都在打破技术的界限,引领我们进入一个通信的新纪元。

2、然而,随着无线通信技术的不断发展,我们也面临着越来越多的挑战。电磁环境的日益复杂使得无线通信的稳定性和可靠性受到极大的考验。在民用通信领域,干扰信号可能导致通信质量下降、通信效率降低、通信安全受到威胁等问题,给用户体验带来极大的不便。在军用通信领域,干扰信号更是可能导致通信延迟与中断、信息泄露、通信系统损坏等严重后果,直接影响到作战的成败和军队的安全。

3、当今信息化战争和数字化社会中,为了保障信息的超可靠传输,通信抗干扰技术显得尤为重要。特别是在军事通信领域,高效可行的抗干扰技术是提高通信抗干扰能力的关键所在。通信抗干扰领域通常涵盖了干扰认知、干扰抑制、抗干扰决策以及干扰规避等多个方面。干扰识别技术在抗干扰领域中占据着举足轻重的地位,其重要性不言而喻。首先,干扰识别是抗干扰技术的前提和基础。在通信系统中,无论是民用还是军用,干扰都是影响通信质量和稳定性的重要因素。通过干扰识别技术,我们能够精确地检测出干扰信号的来源、类型以及关键信息,为后续的抗干扰措施提供有力的依据。其次,干扰识别对于提升通信系统的安全性具有重要意义。在军事通信领域,敌方可能会采用各种手段对通信进行干扰,以破坏我方的通信系统或窃取重要信息。通过干扰识别技术,我们可以及时发现并应对这些有意制造的干扰,保护军事通信的机密性和完整性。在民用通信领域,干扰识别同样可以发挥重要作用。通过识别并处理恶意干扰信号,我们可以防范恶意攻击和窃取信息,保护用户的隐私和数据安全。最后,随着干扰识别技术的不断进步与完善,通信系统的抗干扰能力得到了显著提升。这些技术不仅能够更准确地识别干扰信号,还能通过智能算法和自适应技术实现对干扰信号的快速响应和有效抑制。

4、传统的干扰识别方法确实存在诸多不足,比如依赖信号处理和特征提取技术、需要丰富的专家知识、算法泛化能力差、识别精度低以及分类困难等。然而,随着深度学习的快速发展,这些问题正在被逐步解决。深度学习,特别是卷积神经网络(convolutionalneural networks,cnn)和循环神经网络(recurrent neural network,rnn),能够自动从原始数据中学习和提取深层次的特征表示,无需依赖人工设计的特征工程。这种能力使得深度学习在处理复杂、高维和非线性问题时具有显著优势。通过大量的数据训练,深度学习模型能够学习到数据的内在规律和模式,从而具备强大的泛化能力。这意味着模型可以在新的、未见过的数据上表现出良好的性能,适应各种实际应用场景。在干扰识别领域,深度学习通过其强大的学习能力,自动提取干扰信息的深层特征,实现快速推理判断,进而实现干扰信号的实时检测和识别。这有助于提升通信系统的抗干扰性能,无论是民用通信还是军用通信,都能从中受益。

技术实现思路

1、针对以上技术问题,本发明一种基于conv-kanformer的神经网络干扰识别方法。本发明主要解决典型干扰信号的识别,能够在较低干噪比下实现干扰信号识别。

2、本发明首先构建干扰信号数据库,并分为训练集(training set)、验证集(validation),测试集(test)。其中,干扰类型包括:单音干扰、多音干扰、线性扫频干扰、脉冲干扰、部分频带噪声干扰、正弦波调频干扰、噪声调频干扰等7种干扰类型。基于训练集完成基础神经网络训练,其中,神经网络采用conv-kanformer。测试过程中,在线感知待测数据,利用已训练的干扰识别模型实时判断待测数据干扰类型。

3、利用本发明所提的方案实现包括以下步骤:

4、s1:构建干扰数据库,采用短时傅里叶变换提取干扰时频图;对时频图进行剪裁、缩放、构建标签信息等预处理操作,保证时频图像素大小为3x128x128,确保数据的准确性和一致性,提高训练速度;干扰类型可包括但不限于:单音干扰、多音干扰、线性扫频干扰、脉冲干扰、部分频带噪声干扰、正弦波调频干扰、噪声调频干扰等7种干扰类型;

5、s2:搭建conv-kanformer神经网络框架,该网络由多尺度卷积特征提取模块、kanformer全局特征提取模块、分类模块构成,其中,多尺度卷积特征提取模块包含四层不同大小的卷积核,从而提取不同感受野特征;kanformer全局特征提取模块引入kan改进传统transformer结构;分类模块引入kan完成7种干扰信号分类;

6、s3:通过交叉熵损失函数完成模型离线训练,获得干扰识别模型;

7、s4:利用干扰识别模型完成在线干扰识别。

8、根据本发明,上述步骤s1包含以下步骤:

9、从7种干扰信号类型(单音干扰、多音干扰、线性扫频干扰、脉冲干扰、部分频带噪声干扰、正弦波调频干扰、噪声调频干扰)样本中构造干扰数据库,样本信息由输入样本和分类标签构成。采样频率为50mhz,采样点数为1024,在干噪比范围在-10db-20db,步长为2db下,每类干扰信号在每个干噪比下生成100个训练样本,总计11200个样本,按照4:1划分数据集。训练集个数为8960,验证集个数为2240。

10、根据本发明,上述步骤s2包含以下步骤:

11、搭建conv-kanformer神经网络框架,该网络由多尺度卷积特征提取模块、kanformer全局特征提取模块、分类模块构成;其中,多尺度卷积特征提取模块包含四层不同大小的卷积核,从而提取不同感受野特征;kanformer全局特征提取模块引入科尔莫格罗夫-阿诺德网络(kolmogorov-arnoldnetworks,kan)改进传统transformer结构;分类模块引入kan完成7种干扰信号分类;kanformer由分块展平、添加特殊字符、位置编码信息、自注意力层、kan层等5部分构成;分块展平将图像特征转化为序列特征,添加特殊字符作为后续kan输入,位置编码信息有效利用图像空间信息,增强模型感知上下文信息的能力,更好理解块与块之间的位置信息,编码部分采用多头注意力机制,有效捕获输入序列全局信息,kan层保证输出维度与多尺度卷积融合维度一致;最后将多尺度卷积特征与全局信息融合拼接,构建高阶语义信息,通过分类模块将高阶语义信息进行分类识别。

12、根据本发明,上述步骤s3包含以下步骤:

13、由s1获得训练样本信息,s2获得神经网络模型,通过交叉熵损失函数完成离线训练,获得干扰识别模型。

14、根据本发明,上述步骤s4包含以下步骤:

15、在线感知待测数据,并利用s3干扰识别模型完成在线干扰识别。

16、有益效果

17、本发明基于conv-kanformer神经网络实现7种典型的干扰信号识别。多尺度卷积层引入4层不同大小的卷积块,同时引入1x1卷积核减少计算量;将kan网络替换传统transformer中的多层感知器(multi-layer perception,mlp),kan采用非线性核函数代替mlp的线性函数,激活函数是可学习的,采用基础样条来拟合函数曲线,可以快速逼近任意函数,精度更高。基于conv-kanformer神经网络融合多尺度卷积特征和全局特征,获取更丰富的语义信息,能够在较低干噪比下提高干扰识别的精度。本发明为干扰识别提供了新的技术途径。

本文地址:https://www.jishuxx.com/zhuanli/20240905/286395.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。