[发明专利]一种异常信号半监督分类方法、系统、数据处理终端

说明书

本发明涉及深度学习和无线通信频谱信号技术领域，公开了一种异常信号半监督分类方法、系统、数据处理终端，通过建立一个深度聚类模型，将异常信号数据作为CNN模型的输入，然后提取输入数据的压缩特征作为K‑means聚类算法的输入，用于聚类；同时将CNN所提取的特征输入到CNN的分类层进行分类；最后计算K‑means的输出与CNN的输出间的损失，并更新CNN的参数，直到迭代过程收敛，以达到用聚类结果来辅助训练分类器的目的。为了使该模型在我们的数据集上有较好的表现，我们引入预训练模型、确定聚类的初始质心、构建类别均值Memory以及替换伪标签等优化方法，并且所采用的半监督的学习方法可以使频谱管理人员在用户交互较小的情况下对异常信号分类。

技术领域

本发明涉及深度学习和无线通信频谱信号技术领域，尤其涉及一种异常信号半监督分类方法、系统、数据处理终端。

背景技术

无线电频谱是我们最宝贵和最广泛使用的自然资源之一。随着无线通信技术的发展，无线通信网络包含多种类型的通信系统，用于多样化的用户通信服务，同时频谱使用变得非常复杂，这导致电波拥塞和其他干扰等问题。无线网络结构复杂多样，其中无线频谱信号中的异常的种类更是繁多，为了方便无线网络结构的频谱管理，研究人员通常希望在检测出异常信号后，还能知道该异常的类别，以及哪种异常出现的次数多等等。如果能将不同频带上存在的相似异常进行分组，这样不仅可以使用户交互最小，还有利于频谱管理，这对促进新一代无线系统的发展变得至关重要。然而，实际的无线频带使用不同的参数，如信号带宽、调制类型和时间占用，因此无线频谱异常信号分类问题，仍然是一个昂贵的过程。所以无线通信网络需要一个高效、可靠的解决方案来分类出各种无线频谱异常信号。

目前，业内常用的现有技术是这样的：最近，基于深度学习的方法在诸如图像分类、对象检测和跟踪以及检索等各个领域取得了一系列突破。它们采用的结构大都基于卷积神经网络(CNNs)。而关于聚类的研究工作都是基于特征编码的，如哈希，这可以大大降低图像特征的维数，从而使大规模聚类成为可能。然而，降低特征的维数相当于降低表征能力，导致聚类性能不理想。

综上所述，现有技术存在的问题是：

(1)给异常的无线频谱异常信号打上标签类别需要耗费大量的人力，财力，实现起来十分困难，因此之前研究人员所提出的有监督学习的分类方法，不适用于无线频谱异常信号。

(2)由于真实世界里，无线网络环境十分复杂，无线频谱异常信号的种类繁多，单纯地使用无监督学习的算法对多种异常信号进行聚类也很难达到我们想要的结果。

解决以上问题及缺陷的难度为：既要完全利用好真实无线网络环境中有用信息，也要保证无线频谱异常信号的分类准确度。本发明结合了记忆增强频谱异常检测编码器MemSAD、卷积神经网络CNN以及无监督学习聚类算法K-means，提出了一种基于深度学习的半监督的异常信号分类方法来解决上述问题。

解决以上问题及缺陷的意义为：可以使频谱管理人员可以在用户交互较小的情况下，从复杂的无限网络环境中对异常信号进行分类，且分类准确度可接受。

发明内容

针对现有技术存在的问题，本发明提供了一种异常信号半监督分类方法、系统、数据处理终端。

本发明是这样实现的，一种异常信号半监督分类方法，所述方法包括以下步骤：

步骤一：构建一个深度学习聚类模型，利用少量有标签的异常信号数据预训练一个CNN分类模型；

步骤二：将异常信号数据作为步骤一中训练好的CNN模型的输入，通过CNN中间层的映射函数提取输入数据的压缩特征；

步骤三：将CNN提取的小部分少量有标签的每个类别的压缩特征的均值作为初始聚类质心；

步骤四：将CNN中间层提取的全部压缩特征作为K-means聚类算法的输入用于聚类，从而得到新的聚类质心；