[发明专利]一种利用知识向量嵌入的电磁目标分类方法

说明书

本发明公开了一种利用知识向量嵌入的电磁目标分类方法，利用已知的电磁目标信息的数据，建立电磁目标的图结构，基于图神经网络，对每个电磁目标类别对应的图节点进行嵌入向量表示；采集电磁目标信号，对电磁目标数据进行短时傅里叶变换获取其时频数据，再对其进行预处理，作为用来训练卷积神经网络的样本；构建卷积神经网络，基于电磁目标类别对应的图节点的嵌入向量表示的结果，训练卷积神经网络，最后得到后续对采集的电磁目标信号进行分类识别的参考向量；利用得到的参考向量，对采集的电磁目标信号进行分类识别。本发明适用性强，将类别关系知识结合到网络训练中，解决了传统分类网络只适用于识别在训练集中出现过的类别的不足。

技术领域

本发明涉及通信领域和人工智能领域，具体涉及到一种利用知识向量嵌入的电磁目标分类方法。

背景技术

在知识图谱中，图结构的知识主要包括节点知识和关系知识。节点可以表示某个已知的类别，关系为每个类别之间的联系程度，可直观反映出节点与节点关系的密切程度，将图结构嵌入为向量形式后，其每一节点的向量表征能够反映节点之间的关系知识。近年来，由于图神经网络的发展，其可以有效利用图结构中节点的属性与相互关系，并依赖其相互关系进行建模，将节点嵌入为向量，为后续计算机的处理提供可计算的数据格式。目前，使用图神经网络进行样本嵌入，再对电磁目标进行分类时，主要存在以下两个方面的问题：一是图神经网络架构主要用于节点的分类上，对于多样本嵌入的电磁目标分类任务的执行效率较低；二是图神经网络需要每个节点与其余节点的先验关系知识，在实际情况中，关系信息很难反映在样本层面。卷积神经网络可以将不同的输入根据标签进行分类，传统的卷积神经网络在用于图结构分类时，存在以下缺点：(1)传统方法中的标签不能反映样本间的联系及关系的紧密程度；(2)传统的卷积神经网络的输出无法作为具有图结构的知识的嵌入表示。

发明内容

针对如何对具有图结构的先验知识样本进行嵌入并对电磁目标进行分类的问题，结合两种不同结构的神经网络的特点，本发明将具有先验知识结构的样本进行向量嵌入，再将其用于分类神经网络训练的技术，实现电磁目标的类别关系等先验知识与电磁数据特征在向量嵌入空间的融合，从而构建数据与知识共同驱动的电磁目标分类器。根据样本所属类别间关系的密切程度，可以得到能够反映样本间关系的嵌入结果。嵌入向量距离的远近可以用来反映样本间特征的联系程度。本发明将传统的以卷积神经网络为代表的分类神经网络的硬判决转化为计算向量间相似度的软判决，从而解决了目前样本嵌入结果无法反映样本所属类别间关系与分类判决时的硬判决的问题。

本发明总体分为两个步骤，一是基于图神经网络对包含相互关系的类别对应的图节点进行嵌入，二是基于图神经网络的嵌入结果对卷积神经网络进行训练，使之对类别下的样本进行嵌入的结果能够反映样本所属类别的关系。

本发明公开了一种利用知识向量嵌入的电磁目标分类方法，其具体步骤包括：利用已知的电磁目标信息的数据，建立电磁目标的图结构，该图结构包括图节点和关系，图节点用于表示已知的电磁目标类别，关系用于表示每个电磁目标类别之间的关联程度；

S1,基于图神经网络，对每个电磁目标类别对应的图节点进行嵌入向量表示。对电磁目标类别对应图节点的基本描述过程包括：将电磁目标的类别与类别间的关系用邻接矩阵D来表示，邻接矩阵D的第i行、第j列的元素d_ij表示第i个电磁目标类别和第j个电磁目标类别之间的关系，所有电磁目标类别的特征用矩阵F表示，矩阵F的第i行表示第i个电磁目标类别的特征，将D和F输入到图神经网络中，对该图神经网络进行训练，以得到所有电磁目标类别对应图节点的嵌入向量表示。

所述的步骤S1，其具体包括：