[发明专利]一种基于MDS-CNN的干扰信号分类识别方法及系统

权利要求书

1.一种基于MDS-CNN的干扰信号分类识别方法，其特征在于，所述方法包括如下步骤：

获取不同干扰类型不同干噪比下的干扰信号，作为干扰信号样本，构建干扰信号数据集；

采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集；

利用降维后的干扰信号数据集对CNN模型进行训练，获得训练后的CNN模型；

获取通信系统的干扰信号；

对通信系统的干扰信号进行降维后，输入训练后的CNN模型进行识别。

2.根据权利要求1所述的基于MDS-CNN的干扰信号分类识别方法，其特征在于，干扰类型包括单音干扰、多音干扰、部分带干扰、噪声调频干扰和噪声调幅干扰。

3.根据权利要求1所述的基于MDS-CNN的干扰信号分类识别方法，其特征在于，所述采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集，具体包括：

构建关于干扰信号数据集中任意两个干扰信号样本之间距离的距离矩阵；

利用公式将所述距离矩阵中的每个元素转移到内积矩阵中；

其中，b_ij表示内积矩阵中第i行第j列的元素，dist_ij表示距离矩阵中第i行第j列的元素，即，干扰信号数据集中第i个与第j个干扰信号样本的距离，和分别表示距离矩阵中的第i行元素平方的平均值、第j列元素平方的平均值和所有元素平方的平均值，N表示干扰信号数据集的样本个数；

对所述内积矩阵进行特征值分解，选取M个较大的特征值，组成特征值对角矩阵；其中，M表示降维后的干扰信号数据集的维数；

从所述内积矩阵中选取M个较大的特征值对应的特征向量，组成特征向量矩阵；

根据所述特征值对角矩阵和所述特征向量矩阵，利用公式确定降维后的干扰信号数据集。

4.根据权利要求1所述的基于MDS-CNN的干扰信号分类识别方法，其特征在于，所述CNN模型包括依次连接的卷积层、第一全连接层、ReLU层、Dropout层、第二全连接、softmax层和输出层。

5.根据权利要求1所述的基于MDS-CNN的干扰信号分类识别方法，其特征在于，所述利用降维后的干扰信号数据集对CNN模型进行训练，获得训练后的CNN模型，具体包括：

将降维后的干扰信号数据集划分为训练集和测试集；

利用所述训练集对CNN模型进行训练，利用所述测试集对CNN模型进行测试，直到CNN模型的识别率达到预设阈值，获得训练后的CNN模型。

6.根据权利要求1所述的基于MDS-CNN的干扰信号分类识别方法，其特征在于，所述获取通信系统的干扰信号，具体包括：

将通信系统的发送端发出的传输信号和通信系统的接收端接收的传输信号进行对比，获取对所述传输信号产生干扰的干扰信号，作为通信系统的干扰信号。

7.一种基于MDS-CNN的干扰信号分类识别系统，其特征在于，所述系统包括：

干扰信号数据集构建模块，用于获取不同干扰类型不同干噪比下的干扰信号，作为干扰信号样本，构建干扰信号数据集；

降维模块，用于采用多维缩放算法对干扰信号数据集进行降维，得到降维后的干扰信号数据集；

CNN模型训练模块，用于利用降维后的干扰信号数据集对CNN模型进行训练，获得训练后的CNN模型；

干扰信号测量模块，用于获取通信系统的干扰信号；

干扰信号识别模块，用于对通信系统的干扰信号进行降维后，输入训练后的CNN模型进行识别。

8.根据权利要求7所述的基于MDS-CNN的干扰信号分类识别系统，其特征在于，干扰类型包括单音干扰、多音干扰、部分带干扰、噪声调频干扰和噪声调幅干扰。