[发明专利]一种基于集成神经网络和信号图的辐射源识别方法

权利要求书

1.一种基于集成神经网络和信号图的辐射源识别方法，其特征在于，包括以下步骤：

步骤1：提取辐射源数据的信号序列；

步骤2：构建信号序列的信号图；

步骤3：将信号序列与信号图输入到集成神经网络，提取信号序列特征与图特征，并进行特征拼接组成集成特征；

步骤4：将信号序列特征、图特征和集成特征分别放入序列分类器、图分类器和集成分类器，计算得到辐射源信号的分类结果；

步骤5：损失值反向传播，更新模块参数，然后重新执行步骤1至步骤4。

2.根据权利要求1所述的方法，其特征在于，所述步骤2包括：

通过向信号序列的不同采样点之间添加邻接边，以构造信号图。

3.根据权利要求2所述的方法，其特征在于，所述邻接边的权重系数的表达式为：

其中，k表示邻接边的权重系数，d表示邻接节点与中心节点在信号序列中的距离，σ是形状参数；邻接节点和中心节点之间的距离d越小，邻接节点值对中心节点值的影响越大，反之，影响越小。

4.根据权利要求3所述的方法，其特征在于，将权重系数的集合记为权重矩阵K，其维度为length×length，权重矩阵K与其元素k_ij之间的关系的表达式为：

其中，diag函数是一个对角矩阵生成器，其第一个参数length控制生成的对角矩阵的尺寸，第二个元素d控制对角线的相对于主对角线的位置，第三个参数k_|d|控制对角线元素的值；

使用权重矩阵K和邻接矩阵A做哈达玛积°运算，赋予每条邻接边对应的权重，以控制不同邻接节点对其中心节点更新过程中的影响程度；信号图由权重矩阵K表征。

5.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

将信号序列X_S输入序列特征提取器S，提取序列特征z_S，其表达式为：

z_S＝S(X_S)

其中，序列特征提取器S由3层卷积层组成；

将信号图X_G输入图特征提取器G，提取图特征z_G，其表达式为：

z_G＝G(X_G)

其中，图特征提取器G由一层图卷积层作为输入层，之后连接两层卷积层组成；

使用特征融合模块以特征拼接的方式对序列特征和图特征进行特征融合，得到集成特征z_E，其表达式为：

z_E＝concat[z_S,z_G]

集成神经网络的整体结构集成了序列特征提取器S和图特征提取器G。

6.根据权利要求5所述的方法，其特征在于，所述信号图X_G的邻接权重矩阵用K表示，使用权重矩阵K和邻接矩阵A做哈达玛积°运算，赋予每条邻接边对应的权重，以控制不同邻接节点对其中心节点更新过程中的影响程度；用于信号图特征的改进图卷积的表达式为：

式中，H^l+1表示l+1层图卷积的输出，H^l表示l层图卷积的输出，W^l表示l层图卷积的参数矩阵，Gonv为图卷积运算；若干层图卷积算子堆叠构成图卷积网络，信号图经过图卷积网络得到图特征。