[发明专利]基于注意力深度网络的无线电信号特征提取方法

摘要

本发明公开一种基于注意力深度网络的无线电信号特征提取方法，其实现步骤为：在构建编码调制联合无线电信号基础上生成训练样本集和测试样本集；构建包含注意力机制层的用于提取无线电信号特征的注意力深度网络；将训练样本集输入注意力深度网络中进行训练，得到训练好的注意力深度网络；利用测试样本集和训练好的注意力深度网络获得识别准确率。本发明具有普适性强，不需要人工特征提取，可去除冗余信息，复杂度低，分类结果准确、稳定的优点，可用于后续无线电信号的认知识别等处理中。

主权项

1.一种基于注意力深度网络的无线电信号特征提取方法，其特征在于，包括如下步骤：/n(1)构建编码调制联合无线电信号：/n(1a)将接收到的每一个无线电信号信息序列，依次进行四种信道编码，生成不同的编码信号；/n(1b)将每一个编码信号依次进行六种调制，得到编码调制联合无线电信号；/n(2)生成训练样本集和测试样本集：/n(2a)对编码调制联合无线电信号中每一个信号样本的所有信息点以100个信息点为间隔进行采样，将每次连续采集的440个信息点组成一个信号样本，将所有的信号样本组成无线电信号样本集；/n(2b)从无线电信号样本集中随机抽取80％的信号样本组成训练样本集，剩余的信号样本组成测试样本集；/n(3)构建提取无线电信号特征的注意力深度网络：/n(3a)搭建一个自动提取无线电信号特征的17层注意力深度网络，其网络为：输入层→第一卷积层→第二卷积层→第一池化层→第三卷积层→第二池化层→第四卷积层→第三池化层→第五卷积层→第四池化层→第六卷积层→第五池化层→注意力机制层→第一全连接层→第二全连接层→分类器层→输出层；/n(3b)设置注意力深度网络中的损失函数为交叉熵、优化算法为误差逆传播算法、激活函数为修正线性单元激活函数；将第一全连接层和第二全连接层的神经元个数分别设置为64和24，分类器层为多分类函数Softmax；/n(3c)设置注意力深度网络的卷积层和池化层如下：第一卷积层为64个卷积核，每个卷积核为1×3的矩阵；第二卷积层为64个卷积核，每个卷积核为1×5的矩阵；第三卷积层为128个卷积核，每个卷积核为1×3的矩阵；第四卷积层为128个卷积核，每个卷积核为1×5的矩阵；第五卷积层为256个卷积核，每个卷积核为1×3的矩阵；第六卷积层为256个卷积核，每个卷积核为1×5的矩阵；设置第一池化层、第二池化层、第三池化层、第四池化层和第五池化层的池化方式为最大池化方式，池化步长为2；第五池化层的输出结果为256个1×16的特征向量；/n(4)构建注意力深度网络的注意力机制层：/n(4a)将注意力机制层的输入设置为256个神经单元，并将第五池化层输出结果中的256个特征向量依次作为256个神经单元的输入值，得到每个神经元的输入值；/n(4b)利用初始化方法，将256个神经单元中每一个神经元的权重和偏置初始化，得到每个神经单元的初始化权重和初始化偏置；/n(4c)对于每个神经单元，将其输入值与初始化权重相乘,再将相乘的结果与初始化偏置相加，得到每个神经单元的初始注意力权重；/n(4d)利用权重处理公式，将每个神经单元的初始注意力权重处理，得到每个神经单元的权重值；/n(4e)对每个神经单元的权重值分别进行以自然对数为底数的指数操作，得到每个神经单元的注意力权重；/n(4f)对于每个神经单元，将其注意力权重与输入值相乘，得到每个神经单元的注意力特征值；/n(4g)将所有神经单元的注意力特征值相加求和，得到注意力值，将注意力值作为注意力机制层的输出结果；/n(5)用训练样本集训练注意力深度网络：/n打乱训练样本集中所有样本的排列顺序，将训练样本集输入到注意力深度网络中训练18次，得到训练好的注意力深度网络；/n(6)用测试样本集获得特征提取后的识别准确率：/n(6a)将测试样本集输入到训练好的注意力深度网络中，得到识别结果；/n(6b)将识别结果与测试样本集的真实类别进行对比，得到特征提取后的识别准确率。/n