本發(fā)明涉及無線通信，特別涉及一種針對無線信號的自動化、智能化的基于先驗(yàn)知識集成與結(jié)果自適應(yīng)的信號識別方法。

背景技術(shù)：

1、在無線通信領(lǐng)域，信號調(diào)制識別技術(shù)對于提高頻譜利用率和通信系統(tǒng)性能至關(guān)重要。隨著通信技術(shù)的不斷進(jìn)步，信號樣式愈加復(fù)雜、分析需求量呈指數(shù)增長，傳統(tǒng)的基于統(tǒng)計的信號調(diào)制識別方法在效果與效率上面臨較大困境；而當(dāng)前較為主流的機(jī)器學(xué)習(xí)方法在處理復(fù)雜信號環(huán)境和非合作情況時在魯棒性方面存在較高挑戰(zhàn)。

2、現(xiàn)有的信號調(diào)制識別手段多從已知信號中進(jìn)行統(tǒng)計特性分析和信號特征提取，如頻譜特征、時頻特征、高階矩等，積累形成信號特征庫，在進(jìn)行信號識別時，通過支持向量機(jī)、決策樹等分類器進(jìn)行特征匹配，而后分選識別，或通過基于似然的假設(shè)檢驗(yàn)方式進(jìn)行調(diào)制識別。上述方法最大的限制在于三點(diǎn)，一是調(diào)制識別質(zhì)量的決定因素由信號特征庫決定，無法識別特征庫中沒有的信號；二是具有鮮明的“是非”二元性，無法回答模糊的問題；三是在數(shù)量巨大的情況下自動處理能力有限。

3、因此，如何能夠利用信號識別的可積累性，對一些不確定的信號提高識別的可能性，在提高信號識別的準(zhǔn)確率的同時，兼顧魯棒性，提高海量信號的調(diào)制識別能力，成為現(xiàn)有技術(shù)亟需解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提出一種基于先驗(yàn)知識集成與結(jié)果自適應(yīng)的信號識別方法，利用貝葉斯方法的知識學(xué)習(xí)性積累并即時更新信號特征認(rèn)知情況，并通過貝葉斯神經(jīng)網(wǎng)絡(luò)自主智能的學(xué)習(xí)架構(gòu)具備信號特征自動匹配識別的能力，實(shí)現(xiàn)對復(fù)雜條件下大量無線信號的自動識別處理。

2、一種基于先驗(yàn)知識集成與結(jié)果自適應(yīng)的信號識別方法，包括：

3、模型構(gòu)建步驟s110：

4、對信號進(jìn)行預(yù)處理，提取信號特征，構(gòu)建信號特征初始特征要素集，分別構(gòu)建貝葉斯網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)，設(shè)置貝葉斯神經(jīng)網(wǎng)絡(luò)置信度表征函數(shù)，根據(jù)輸入?yún)?shù)特征設(shè)置貝葉斯神經(jīng)網(wǎng)絡(luò)超參數(shù)，將信號特征與信號融合作為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，對所述貝葉斯神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試，直至模型收斂；

5、模型應(yīng)用步驟s120：

6、當(dāng)新信號出現(xiàn)時，收集特征并進(jìn)行比對獲得重點(diǎn)關(guān)注信號列表，利用訓(xùn)練好的貝葉斯神經(jīng)網(wǎng)絡(luò)對所述重點(diǎn)關(guān)注信號列表分別計算得到各自的置信度，利用所述置信度進(jìn)行調(diào)制識別，得到新的信號及其特征；

7、知識更新步驟s130：

8、利用在所述模型應(yīng)用步驟s120得到新的信號及其特征，對所述信號特征初始特征要素集進(jìn)行改進(jìn)，并利用改進(jìn)后的信號特征更新貝葉斯網(wǎng)絡(luò)。

9、可選的，所述模型構(gòu)建步驟s110具體為：

10、信號預(yù)處理子步驟s111：

11、通過去噪、濾波、變頻采樣、均衡的方法對信號進(jìn)行預(yù)處理，初步特征提取構(gòu)建信號特征初始特征要素集t[特征1，特征2，……，特征n]；

12、貝葉斯網(wǎng)絡(luò)構(gòu)建子步驟s112：

13、基于信號特征初始要素集構(gòu)建貝葉斯網(wǎng)絡(luò)，直觀表征信號特征及其之間相互關(guān)系，形成對該信號的初始認(rèn)知框架；

14、貝葉斯神經(jīng)網(wǎng)絡(luò)構(gòu)建子步驟s113：

15、利用貝葉斯神經(jīng)網(wǎng)絡(luò)作為置信度計算網(wǎng)絡(luò)，其中使得所述貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)輸入層為一維卷積層，構(gòu)建置信度表征函數(shù)為，其中，表示輸入的訓(xùn)練樣本個數(shù)，為特征集中的各項(xiàng)參數(shù)取值，表示貝葉斯神經(jīng)網(wǎng)絡(luò)根據(jù)輸入得到的計算輸出結(jié)果，是數(shù)據(jù)經(jīng)過分類器之后的取值標(biāo)簽，z1=，表示貝葉斯網(wǎng)絡(luò)中偶然不確定性，具體來說，是模型輸出的方差的估計；z2表征信號來自a設(shè)備的置信度，表示樣本中某一項(xiàng)的概率取值，模型對于同一樣本進(jìn)行t次參數(shù)采樣， c表示貝葉斯神經(jīng)網(wǎng)絡(luò)需要區(qū)分的所有不同類別的數(shù)量，表示樣本中某一項(xiàng)的概率取值；t次預(yù)測概率為，其中，表示貝葉斯神經(jīng)網(wǎng)絡(luò)中w尖服從形式為的分布，表示貝葉斯神經(jīng)網(wǎng)絡(luò)的激活函數(shù)；

16、貝葉斯神經(jīng)網(wǎng)絡(luò)訓(xùn)練子步驟s114：

17、根據(jù)輸入數(shù)據(jù)特征設(shè)置貝葉斯神經(jīng)網(wǎng)絡(luò)超參數(shù)，將要素集t[特征1，特征2，……，特征n]?與信號融合生成貝葉斯神經(jīng)網(wǎng)絡(luò)輸入tb[原始信號，特征1，特征2，……，特征n]，抽取其中具有真值或標(biāo)定值的集合作為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，形成測試集和訓(xùn)練集，對設(shè)置好參數(shù)的貝葉斯神經(jīng)網(wǎng)絡(luò)利用訓(xùn)練集進(jìn)行訓(xùn)練，并使用所述測試集進(jìn)行測試和比對，直至檢測所述置信度表征函數(shù)中訓(xùn)練損失與驗(yàn)證損失均趨于穩(wěn)定，波動值小于10-4，則訓(xùn)練收斂，得到較為成熟的無線電信號調(diào)制識別模型。

18、可選的，在信號預(yù)處理子步驟s111中，所述特征選自中心頻率、瞬時頻率、頻譜、平方譜、四次方譜、初始相位、信號帶寬、信號幅度、包絡(luò)和信噪比中的多個。

19、可選的，在貝葉斯網(wǎng)絡(luò)構(gòu)建子步驟s112中，

20、貝葉斯網(wǎng)絡(luò)由信號特征為節(jié)點(diǎn)，構(gòu)建的有向無環(huán)圖，其節(jié)點(diǎn)代表隨機(jī)變量，邊表示變量間依賴關(guān)系，其中以所述信號特征采用所述初始特征要素集t中的特征，利用分析得到的要素關(guān)系搭建節(jié)點(diǎn)間的邊，形成基于無線電信號特征的認(rèn)知網(wǎng)絡(luò)。

21、可選的，在所述貝葉斯神經(jīng)網(wǎng)絡(luò)訓(xùn)練子步驟s114中，

22、進(jìn)行仿真實(shí)驗(yàn)與測試的優(yōu)選超參數(shù)為網(wǎng)絡(luò)維度、輸出維度、優(yōu)化器、bachsize。

23、可選的，包括重點(diǎn)信號獲取子步驟s121：

24、當(dāng)新信號識別需求出現(xiàn)時，獲取新信號的特征，根據(jù)所述信號特征初始特征要素集t，通過特征初步匹配，獲得重點(diǎn)關(guān)注信號列表；

25、不確定性計算子步驟s122：

26、利用訓(xùn)練好的貝葉斯神經(jīng)網(wǎng)絡(luò)對所述重點(diǎn)關(guān)注信號列表分別計算，得到相應(yīng)的置信度；

27、調(diào)制識別子步驟s123：

28、將所述重點(diǎn)關(guān)注信號列表按照所述置信度從高到低的順序進(jìn)行調(diào)制識別，以確認(rèn)需求，滿足需求后記錄此時成功滿足需求的信號及其特征。

29、可選的，在所述重點(diǎn)信號獲取子步驟s121中，

30、特征初步匹配為根據(jù)兩個信號間特征的內(nèi)積之值判斷特征一致性，設(shè)置超過閾值的自動歸入重點(diǎn)關(guān)注信號列表。

31、可選的，在所述調(diào)制識別子步驟s123中，

32、所述需求包括通信重建、分選識別、身份確認(rèn)和信號通聯(lián)。

33、可選的，所述知識更新步驟s130具體為：

34、包括信號要素集改進(jìn)子步驟s131：

35、利用在所述模型應(yīng)用步驟s120得到新的信號及其特征，提取所需要的特征，結(jié)合其相應(yīng)的置信度結(jié)論，改進(jìn)得到信號要素改進(jìn)集；

36、貝葉斯網(wǎng)絡(luò)更新子步驟s132：

37、利用所述信號要素改進(jìn)集，基于貝葉斯網(wǎng)絡(luò)構(gòu)建子步驟s112類似的方法，更新貝葉斯網(wǎng)絡(luò)，獲得對該信號的認(rèn)知更新。

38、綜上，本發(fā)明具有如下優(yōu)點(diǎn)：

39、1、利用貝葉斯網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)形成兩級網(wǎng)絡(luò)結(jié)構(gòu)，其中貝葉斯網(wǎng)絡(luò)用于知識的集成與更新，起到初篩作用，而貝葉斯神經(jīng)網(wǎng)絡(luò)用于計算信號識別結(jié)果及其置信度。二級網(wǎng)絡(luò)在保證信號篩選精度的同時，提高篩選的速度和魯棒性。

40、2.采用貝葉斯網(wǎng)絡(luò)作為初篩網(wǎng)絡(luò)，每次知識的更新都能夠被集成到已有信息庫中，對于信號特征庫知識的及時更新與新條件下（格式偽裝、電磁干擾、數(shù)量爆炸等）信號有效識別，提供了有效途徑。

41、3.?貝葉斯神經(jīng)網(wǎng)絡(luò)可以利用較少的數(shù)據(jù)得到魯棒性比較好的模型，能夠在缺乏部分先驗(yàn)知識或獲取初始數(shù)據(jù)極少條件下，例如，先期訓(xùn)練數(shù)據(jù)分布不均衡、信息不完整、非合作條件、對抗干擾、復(fù)雜環(huán)境等情況下的無線電信號進(jìn)行識別，對于復(fù)雜環(huán)境下的無線電信號有效識別具有重要意義。

42、4.貝葉斯神經(jīng)網(wǎng)絡(luò)給出信號識別的置信度，突破了傳統(tǒng)信號識別是非二元結(jié)論，避免了不良條件下重點(diǎn)信號的誤判，并為進(jìn)一步的人工判斷與處理提供合理方案，具有較強(qiáng)的可實(shí)現(xiàn)性和場景適用性。

43、5.貝葉斯神經(jīng)網(wǎng)絡(luò)在卷積層引入貝葉斯理論，調(diào)整網(wǎng)絡(luò)輸入層為一維卷積層形式，修改了第一層使得輸入特征數(shù)與一維數(shù)據(jù)特征數(shù)匹配，使其能夠接受一維輸入，適用于本發(fā)明的數(shù)據(jù)輸入，使得本發(fā)明貝葉斯神經(jīng)網(wǎng)絡(luò)具備對于一維信號輸入進(jìn)行學(xué)習(xí)的能力。