一种基于深度学习的无人机系统电磁环境特征提取方法

本发明涉及电磁信号调制分类技术，特别是一种基于深度学习的无人机系统电磁环境特征提取方法。

背景技术：

1、在数字互联的现代时代，无线通信系统在建立有效的通道以连接远距离的个人、设备和数据方面起到了关键作用。这些系统依赖于信号的发送和接收，对于无缝通信至关重要。最初，无线通信领域的特征是有限的一套调制方案和合作性质，其中参与通信的实体相互商定要使用的方案。随着技术的进步和通信需求的增加，无线通信系统不断扩展其多样性和复杂性，采用多种调制方案已变得司空见惯。这些调制技术，如频率调制(fm)、相位调制(pm)和幅度调制(am)，以及更复杂的数字调制方法，如正交频分复用(ofdm)和调频多址接入(cdma)，都极大地提升了通信的效率和可靠性。

2、随着调制方案的多样化，对这些不同调制方案进行精确分类和识别变得至关重要，这对于优化通信系统的配置和性能至关重要。精确的分类不仅有助于更有效地管理信号干扰和频谱使用，还对于实现更高的数据传输速率和更低的误码率至关重要。此外，随着物联网(iot)和5g技术的推广，越来越多的设备需要在同一网络中以不同的调制技术进行通信，这进一步强调了进行有效分类的必要性。因此，开发先进的调制识别技术，如基于机器学习的自动分类系统，已成为当前无线通信研究的一个重点领域。这些系统能够实时识别和适应多种调制方案，极大地提高了无线通信的灵活性和效率。随着无线通信系统的进步，在多样性和复杂性方面不断扩展，应用多种调制方案已变得司空见惯，因此对不同调制方案进行精确分类的必要性显得至关重要。

3、自动调制分类(amc)是一种应用于无人机通信系统等复杂电磁环境中的先进技术。在非合作通信场景中，amc充当信号检测和解调之间的纽带，由于amc能够在不需要先验调制信息的情况下识别接收或截获的信号调制方式，不需要发送额外的信号调制信息，节省了宝贵的频谱资源，因此在各种场景中得到了广泛应用。amc技术利用复杂的算法分析接收到的信号，通过特征提取和模式识别技术，能够迅速准确地判断信号的调制类型。在军事领域，amc尤为重要，它有助于识别和分析敌方电磁信号，从而揭示敌方电子设备的功能和评估其威胁程度。此技术不仅增强了电子战能力，还能够通过对敌方通信模式的分析，提供战略信息，支持决策制定。此外，amc还支持广泛的侦察工作，提高情报收集的效率和准确性，是现代电子战的核心组成部分。在民用领域，amc的应用同样重要。随着物联网(iot)技术的普及和智能设备数量的激增，高效区分不同的调制方案成为确保设备间顺畅通信的基础。例如，在智能家居生态系统中，无线通信技术连接了智能家电、安全监控以及能源管理系统等多个组成部分。通过amc，这些设备能够识别和准确处理各种通信信号，确保数据在传输过程中的安全和准确，从而保障整个系统的运行可靠性和用户的隐私安全。此外，amc也为应对复杂的市场需求提供支持，使得产品可以在多样化的电磁环境下稳定工作，增强了用户体验和系统的可靠性。

4、为了降低amc的计算复杂度，研究人员将注意力转向基于特征提取的自动调制分类方法(fb-amc)，azzouz等人选择瞬时频率、幅度和相位等时域特征来提取特征。该方法实现了对ask、bpsk和fsk等调制方案的识别；y.han等人选择二阶、四阶、六阶和八阶循环累积量作为特征，该方法实现了对诸如ask、bpsk、qam和apsk的调制方案的识别；c.chou等人以星座图像为特征，不同的调制方式在星座图像上呈现出不同的分布形状和密度，该方法可以在存在码间干扰(isi)的情况下识别bpsk、qpsk、8psk；s.li等人选择循环谱、二次循环谱作为特征，循环谱可以用来检测信号的周期频率成分，二次循环谱对信号的非线性特征更敏感，该方法可以在存在多径效应的情况下对psk、fsk、qam、msk和ofdm调制方案进行分类。可以看出，fb-amc的计算复杂度大大降低。单fb-amc方法对特征的要求很高，特征提取更加依赖于经验。

5、因此基于深度学习的amc方法也开始研究。提出了用于无线电识别的卷积网络，在rml2016.10a数据集上的仿真结果表明，该算法的识别精度高于fb-amc方法。wang等人设计两个卷积神经网络(cnn)以识别不同的调制方案：第一个cnn是用iq采样信号进行训练的，该网络可以将qam与其他调制方案区分开来，但能区分16qam和64qam；第二个cnn用星座图像进行训练，可以区分16qam和64qam；tu等人提出了一种新的基于cnn的amc方法，它们使用修剪技术来减少卷积参数和每秒浮点运算，经实验验证，该神经网络的卷积层与原神经网络相比，减少了卷积参数，且识别精度没有明显损失。

6、当样本标注不足时，半监督学习能够利用大量未标记的数据为模型训练提供额外信息，从而放大模型的泛化能力并降低过拟合的风险。在这种学习范式中，lee等人提出了一种创新的伪标记方法，该方法的核心概念是将模型对未标记信号样本的预测视为这些未标记数据的“标签”。通过这种方式，即使在有限的标注数据条件下，模型也能利用自身对未知数据的预测来进行自我训练，提高学习效率。该伪标记方法主要利用模型自我反馈的机制，通过模型当前的预测结果来生成伪标签，然后再用这些伪标签来进一步训练模型。这种方法有效地扩展了训练数据集，使模型能够在更广泛的数据分布上学习，从而提高了模型的泛化性能。此外，它还能够减少因标注样本数量不足而导致的过拟合问题，增强模型的鲁棒性。

7、然而，这种方法也存在一定的局限性。在模型训练的初始阶段，由于模型本身的预测能力较弱，生成的伪标签质量可能不高，这会影响到最终的模型性能。如果伪标签的错误率过高，可能会引导模型学习错误的模式，从而导致识别准确率下降。为了缓解这一问题，研究者们通常会采取逐步提高模型预测能力和伪标签质量的策略，比如通过迭代细化伪标签或结合其他半监督学习技术来优化训练过程。总之，伪标记法为半监督学习提供了一种有效的解决方案，尤其适用于标注数据稀缺的情况。尽管存在一些挑战，但其在提高模型泛化能力和减少过拟合风险方面的潜力是巨大的。

技术实现思路

1、发明目的：本发明的目的是提供一种基于深度学习的无人机系统电磁环境特征提取方法，利用深度学习中现有的理论与技术方法，针对无人机系统电磁信号在实际自动调制分类任务中，标注的数据量稀疏问题，搭建半监督深度学习的自动调制分类系统模型，利用未标记样本来提高模型性能，从而提升信号的调制方式识别准确率。

2、为了解决上述问题，本发明公开了一种基于深度学习的无人机系统电磁环境特征提取方法，包括以下步骤：

3、步骤1：为解决实际无人机电磁特征提取系统中标注数据稀缺的问题，我们结合一致性正则化和伪标签技术，构建了一种基于半监督深度学习的无人机系统电磁环境特征提取模型，充分利用了有限的标注数据和大量的无标注数据。

4、步骤2：从训练集中选取部分有标签数据训练模型，可以直接计算它们与模型预测输出之间的损失。这种有监督的损失函数可以指导模型有效地学习数据的标签信息；

5、步骤3：采用弱数据增强对无标签的数据进行扰动，然后利用已在有标签数据上训练的模型对这些无标签数据上进行预测，根据预测结果，我们筛选出高置信度地无标签样本并为这些样本设计伪标签，有效地扩充有限的训练样本；

6、步骤4：采用强数据增强技术对上述无标签数据重新进行扰动，将得到地扰动样本输入到模型中进行预测，将这些扰动样本的预测结果与之前步骤2中为其生成的伪标签进行比较，计算它们之间的无监督损失；

7、步骤5：我们将有监督损失和无监督损失进行融合，有监督损失来自于有标签数据的预测与真实标签之间的差距，而无监督损失则反映了模型对同一无标签样本在不同扰动下的预测一致性，将总的损失进行反向传播调整模型参数，优化模型并据此完成基于半监督深度学习的无人机电磁特征提取模型的优化。

8、有益效果：与现有技术相比，本发明具有如下优点：

9、1、本发明通过采用基于深度学习的无人机系统电磁环境特征提取方法，利用深度学习中现有的理论与技术方法，针对无人机系统电磁信号在实际自动调制分类任务中，标注的数据量稀疏问题，利用广域残差网络作为时频图像特征提取的骨干网络，搭建半监督深度学习的自动调制分类系统模型，再将深度学习算法自动提取的不同维度的特征与半监督学习相融合，通过反向传播来计算和更新模型，方便后续工作。

10、2、针对无人机系统电磁信号在实际自动调制分类任务中，标注的数据量稀疏问题，搭建半监督深度学习的自动调制分类系统模型，利用未标记样本来提高模型性能，从而提升信号的调制方式识别准确率，当标记样本量极小(占标签样本的1％)时，本方法的识别准确率超过94％。