一种基于机器学习的射频分类识别方法

本发明属于射频分类识别，具体涉及一种基于机器学习的射频分类识别方法。

背景技术：

1、目前射频设备在公共环境中是十分普遍的，例如无人机、手机、wi-fi等无线电设备均会主动的发射射频信号，而这其中也有不少具有危险特性的射频信号，例如伪基站和一些特殊场合下飞行的无人机，这些设备对于公众安全来说具有极大威胁，因此研究能识别这些危险射频信号的技术十分重要。射频分类识别技术是一种可以通过分析当前监控频段上无线通讯设备的射频信息来获取设备信息的技术。通过射频分类识别技术可以从这些设备的射频信号中提取射频特征来分析设备信息，从而进行一定程度上的发现和防范，例如可以获取到设备的种类，包括无人机的种类、基站的种类，还可以获取设备的运行状态。

2、现有的射频分类识别技术主要采用的是采集样本的频域特征，通过快速傅里叶变换来获取n点的频域采样，并将这些样本信号输入到机器学习的神经网络中进行端到端的学习，这些方案减少了计算专业统计特征的环节，通过模型预训练可以大幅度降低识别分类所消耗的时间。其中采用傅里叶变换来对时域信号进行分析是一种常用的频谱分析方法，该方法将原本的信号从时域转换到频域，降低了时域分析的难度，同时也能够尽可能地保留原本信号的信息。但是对于未知信号的傅里叶变换并非完全不损失其中的时域信息，经典傅立叶分析假设信号在时间上是无限的或周期性的，而实际上许多信号持续时间很短，并且频率分布在持续时间内会发生显著变化。在这种情况下，傅里叶变换就会损失掉这些变化过程，例如对于“前密后疏”信号，和“前疏后密”信号的在频谱上傅里叶变换结果是完全相同的。

3、另外，当射频识别分类规模扩大，射频分类的样本不足的情况下，仅采用频域变换无法充分地使用样本信号，另一方面频域变换在分析稳态信号方面有其优势，但分析瞬态信号时，频域分析法又由于傅里叶变换存在对周期信号频谱变化不敏感的缺陷。基于上述两个问题，频域分析法在解决频谱不稳定的具有瞬态特征的射频信号分类识别问题上准确率较低，仅能达到约70％，因此这些识别技术无法解决复杂的射频分类问题。复杂的射频分类问题往往需要大规模的信号样本，而信号样本又是非常珍贵的实验材料，对于复杂的射频分类问题，例如识别分类射频设备在不同运行状态下的射频信号特征，目前仅使用从频域获取信号特征的方法是无法做到的。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于机器学习的射频分类识别方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供了一种基于机器学习的射频分类识别方法，包括：

3、步骤1：利用射频信号录制模块获取待测射频信号；

4、步骤2：对所述待测射频信号进行时频分析，得到对应的二维信号矩阵；

5、步骤3：根据频谱功率对所述二维信号矩阵进行采样，得到对应的二维特征矩阵；

6、步骤4：将所述二维特征矩阵输入训练完成的长短期记忆网络分类模型中，得到待测射频信号的分类结果。

7、在本发明的一个实施例中，所述射频信号录制模块包括信噪比调节模块和射频信号接收及信噪比估计模块，其中，所述信噪比调节模块用于发送随机干扰噪声，所述随机干扰噪声与待测射频信号处于同一个频段，所述射频信号接收及信噪比估计模块用于接收待测射频信号，并获取待测射频信号在当前干扰噪声的干扰下的信噪比。

8、在本发明的一个实施例中，所述步骤2包括：

9、步骤2.1：获取所述待测射频信号的幅值信息；

10、步骤2.2：对所述待测射频信号进行短时距傅里叶变换(short-time fouriertransform，stft)，得到二维信号矩阵。

11、在本发明的一个实施例中，所述步骤3包括：

12、步骤3.1：计算得到所述二维信号矩阵的平均功率以及所述二维信号矩阵中每一时刻的频谱功率；

13、步骤3.2：利用判别函数判断所述二维信号矩阵中存在的待识别射频信号；

14、步骤3.4：将存在的待识别射频信号作为采样点，按照预设的采样步数，对所述二维信号矩阵进行采样，得到对应的二维特征矩阵。

15、在本发明的一个实施例中，所述二维信号矩阵中每一时刻的频谱功率按照下式计算得到：

16、

17、式中，p(k)表示二维信号矩阵中第k时刻的频谱功率，n表示傅里叶变换的采样点数，si表示信号的幅值信息。

18、在本发明的一个实施例中，所述二维信号矩阵的平均功率按照下式计算得到：

19、

20、式中，表示二维信号矩阵的平均功率，p(k)表示二维信号矩阵中第k时刻的频谱功率，m表示待测射频信号的时频谱的时间长度，表示第k时刻信号的频谱向量。

21、在本发明的一个实施例中，所述判别函数为：

22、

23、其中，表示第k时刻信号的频谱向量，表示第k时刻的频谱功率，m表示待测射频信号的时频谱的时间长度，h0表示仅存在噪声信号，h1表示存在待识别的射频信号，c表示预设门限。

24、在本发明的一个实施例中，所述长短期记忆网络分类模型的训练过程包括以下步骤：

25、步骤a：利用所述射频信号录制模块获取不同类别射频信号的时域采样信号，对每个类别的时域采样信号进行分段处理，得到多段原始射频信号数据；

26、步骤b：对每一段原始射频信号数据进行时频分析，获取对应的二维信号矩阵；

27、步骤c：根据频谱功率对每个所述二维信号矩阵进行采样，得到对应的二维特征矩阵，对所述二维特征矩阵赋予相应射频信号的类别标签，得到训练样本集；

28、步骤d：构建长短期记忆网络分类模型，利用所述训练样本集对所述长短期记忆网络分类模型进行训练，得到训练完成的长短期记忆网络分类模型，其中，在训练过程中交叉熵函数作为损失函数，利用adam优化器对模型的参数进行优化。

29、在本发明的一个实施例中，所述长短期记忆网络分类模型包括依次级联的多层lstm网络、gru网络和output输出层。

30、与现有技术相比，本发明的有益效果在于：

31、本发明的基于机器学习的射频分类识别方法，通过对原始射频信号进行短时距傅里叶变换并提取相应的时频联合分布，获取了时频域信息，与其它射频分类识别方案相比，本发明获取的频域信息随时间变化的部分信息具有更加完善的频谱特性，适合用来解决复杂的射频分类识别问题，相比于传统的射频分类识别方法，分类识别准确度更高。

32、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

技术特征：

1.一种基于机器学习的射频分类识别方法，其特征在于，包括：

2.根据权利要求1所述的基于机器学习的射频分类识别方法，其特征在于，所述射频信号录制模块包括信噪比调节模块和射频信号接收及信噪比估计模块，其中，所述信噪比调节模块用于发送随机干扰噪声，所述随机干扰噪声与待测射频信号处于同一个频段，所述射频信号接收及信噪比估计模块用于接受待测射频信号，并获取待测射频信号在当前干扰噪声的干扰下的信噪比。

3.根据权利要求1所述的基于机器学习的射频分类识别方法，其特征在于，所述步骤2包括：

4.根据权利要求1所述的基于机器学习的射频分类识别方法，其特征在于，所述步骤3包括：

5.根据权利要求4所述的基于机器学习的射频分类识别方法，其特征在于，所述二维信号矩阵中每一时刻的频谱功率按照下式计算得到：

6.根据权利要求4所述的基于机器学习的射频分类识别方法，其特征在于，所述二维信号矩阵的平均功率按照下式计算得到：

7.根据权利要求4所述的基于机器学习的射频分类识别方法，其特征在于，所述判别函数为：

8.根据权利要求1所述的基于机器学习的射频分类识别方法，其特征在于，所述长短期记忆网络分类模型的训练过程包括以下步骤：

9.根据权利要求8所述的基于机器学习的射频分类识别方法，其特征在于，所述长短期记忆网络分类模型包括依次级联的多层lstm网络、gru网络和output输出层。

技术总结
本发明涉及一种基于机器学习的射频分类识别方法，包括：步骤1：获取待测射频信号；步骤2：对待测射频信号进行时频分析，得到对应的二维信号矩阵；步骤3：根据频谱功率对二维信号矩阵进行采样，得到对应的二维特征矩阵；步骤4：将二维特征矩阵输入训练完成的长短期记忆网络分类模型中，得到待测射频信号的分类结果。本发明的基于机器学习的射频分类识别方法，通过对原始射频信号进行短时距傅里叶变换并提取相应的时频联合分布特征，获取了时频域信息，与其它射频分类识别方案相比，本发明获取的频域信息随时间变化的部分信息，具有更加完善的频谱特性，适合用来解决复杂的射频分类识别问题，分类识别准确度更高。

技术研发人员：张跃宇,刘乐泉,李晖,陈杰,王勇
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/1/13