[发明专利]基于深度卷积神经网络的干扰识别模型的智能识别系统及识别方法

权利要求书

1.一种基于深度卷积神经网络干扰识别模型的智能识别方法，其特征在于，包括以下步骤：

步骤1，初始化，即将深度卷积神经网络中的各个网络节点的权重及偏值先设置为随机且满足依概率分布的值，感知初始环境；

步骤2，将接收机采集的数据输入深度卷积神经网络，该深度卷积神经网络还训练为有监督神经网络，在输入的所述数据与标签上有一定的损失函数由此提出结构风险函数R_srm(f)为公式(5)所示：

λ为设定的大于0的系数，J(f)为所述模型的复杂度；

步骤3，经过设定好的训练次数，利用公式(6)更新深度卷积神经网络，重复步骤2即可，相应的优化模型为最小化结构风险函数，经验风险函数权重ω_t更新公式为：

其中η为学习率，ω_t为第t次采样的经验风险函数权重，当学习率足够小时，ω使得f_ω(x_i)达到最优解，算法线性收敛；

步骤4，带入预留的测试数据集样本，在训练好的基于深度卷积神经网络的干扰识别模型上进行在线识别即可。

2.一种基于权利要求1所述的智能识别方法的智能识别系统，其特征在于，包括：对基于深度卷积神经网络的干扰识别模型做如下刻画：用于干扰识别的接收机对单个或多个干扰机发出的干扰信号进行收集数据，将作为接收端该接收机的频谱瀑布图作为网络输入层进行若干训练，达到足够拟合度训练模型后，根据已训练保存模型及其接收端的频谱瀑布，作为网络输入进行在线识别。

3.根据权利要求2所述的智能识别系统，其特征在于，作为接收端的所述接收机的功率谱密度s_t(f)的表达式为公式(1)所示：

公式(1)中，第j个干扰机可以选择其在第t次采样的频率和功率谱密度函数当接收机感知全频段时，干扰信号和噪声同时被接收；g_j是来自干扰机到接收机的信道链路增益，f是接收机的频率，n(f)是噪声的PSD函数，j为正整数，J为正整数且为干扰机的数量，t为正整数并表示接收机采样次数的序列号。

4.根据权利要求2所述的智能识别系统，其特征在于，所述基于深度卷积神经网络的干扰识别模型中的离散值采样谱s_t,i定义为公式(2)：

其中Δf为光谱分辨率，f_L表示干扰机的干扰带宽的起始频率，s_t,i表示在第t次采样下接收机接收到的第i个样本的采样谱，接收机感知的频率向量为s_t＝s_t,1,s_t,2,…s_t,N，N为在第t次采样的样本的数量，i为正整数。

5.根据权利要求2所述的智能识别系统，其特征在于，在动态未知环境中，将作为接收端的所述接收机的频谱瀑布图作为神经网络的输入层，经过卷积提取特征并经过若干次监督训练后，最终获得干扰识别模型，具体如下：

在动态未知的通信环境中，模型中干扰识别问题建模为卷积层提取过程，该环境存在的复杂干扰模式与历史信息关系密切，因此环境状态S_t定义为S_t＝{s_t,s_t-1,…,s_t-T+1}，其中T表示跟踪的历史状态数，则S_t是二维矩阵T×N热力学框图，其中包含时域与频域信息，由此构建了频谱瀑布图。

6.根据权利要求2所述的智能识别系统，其特征在于，在历史环境状态信息中，将数据作为设计好CNN模型的输入层进行迭代训练，定义x为输入数据到输入层的数据向量，x_i为x中的第i个元素且表示第i次输入到输入层的数据，y为对应于x的标签向量，优化目标为公式(3)所示：

是标签向量的预测值，y是标签向量的真实值，当训练精度曲线收敛时，保存训练模型后则可以在线识别干扰信号，在未来抗干扰工作中达到重要作用，h为把数据输入输入层的次数，i为正整数，y_i是y的第i个元素，为中第i个元素。