1.一种基于深度学习的无线电信号聚类方法,其特征在于:包括以下步骤:S1,将所述第二数据集与所述第一数据集的样本数据大小调整一致,然后将调整后的两个数据集的样本数据分成若干批次,每个批次包含相同数量的样本数据;假设待聚类目标信号数据集为第一数据集,现有的有类标的信号数据集为第二数据集,且所述第一数据集和所述第二数据集没有任何关联;
S2,构建深度模型CNN,将调整后的第二数据集分批的样本数据输入所述深度模型CNN进行预训练,直到所述模型训练稳定,具体步骤为:S2.1,将所述调整后的第二数据集中的一批样本数据输入随机初始化的深度模型CNN中,提取样本特征矩阵;
S2.2,根据所述样本特征矩阵计算所述调整后的第二数据集的一批样本数据间的余弦相似度矩阵;
S2.3,根据真实标签和所述余弦相似度矩阵计算损失函数,利用所述损失函数训练模型,更新模型的参数;
S2.4,重复S2.1~S2.3,直到模型训练稳定,停止训练,保存模型的参数,保存深度模型;
S3,将所述调整后的第一数据集的样本数据分批输入S2.4中保存的深度模型中进行聚类,挑选置信度较高的样本作为可靠样本,训练深度模型,多次迭代至模型稳定;
S4,输出待聚类目标信号的聚类结果。
2.根据权利要求1所述的一种基于深度学习的无线电信号聚类方法,其特征在于:步骤S1所述的调整方法为:若所述第二数据集的样本数据长度小于所述第一数据集的样本数据长度,按整体复制的方式对所述第二数据集的样本数据进行扩充;若所述第二数据集的样本数据长度大于所述第一数据集的样本数据长度,按隔空抽取的方式对所述第二数据集的样本数据进行截取。
3.根据权利要求1所述的一种基于深度学习的无线电信号聚类方法,其特征在于:步骤S2所述的深度模型CNN是由一维卷积层、二维卷积层、两层一维卷积层、转向量、两层全连接层依次构成的。
4.根据权利要求1所述的一种基于深度学习的无线电信号聚类方法,其特征在于:步骤S2.1包括:
1)使用所述一维卷积层对信号的IQ两路分别进行特征提取,获得所述IQ两路的初步特征;
2)基于所述二维卷积层,整合所述IQ两路的初步特征,提取信号的初步特征;
3)使用两层一维卷积层和两层全连接层对所述信号的初步特征进行进一步处理,提取所述信号的深层特征。
5.根据权利要求1所述的一种基于深度学习的无线电信号聚类方法,其特征在于:步骤S2.3包括:将所述样本的真实标签转化为one‑hot向量,通过样本真实二分类判断矩阵计算得到同类标记矩阵和异类标记矩阵。
6.根据权利要求1所述的一种基于深度学习的无线电信号聚类方法,其特征在于:步骤S2.3中引导预训练阶段的损失函数为:在预训练阶段,λ<1,模型趋于判断两个样本为异类,将样本分开,寻找不同调制类型的特征差异,其中λ为平衡参数,用于协调同类损失和异类损失占的比重,调整模型的训练倾向,所述预训练阶段的λ值为0.1, 为预训练阶段损失函数,PBp为同类标记矩阵,PBn为异类标记矩阵,SB为余弦相似度矩阵。
7.根据权利要求1所述的一种基于深度学习的无线电信号聚类方法,其特征在于:步骤S3的具体步骤为:
S3.1,将所述调整后的第一数据集中的一批样本数据输入S2.4中保存的深度模型,提取样本特征矩阵;
S3.2,根据样本特征矩阵,计算样本相似度矩阵,设定上限阈值和下限阈值,根据所述上限阈值、下限阈值和所述样本相似度矩阵挑选可靠样本,根据可靠样本计算损失函数,训练深度模型,更新所述深度模型的参数;
S3.3,重复S3.1~S3.2,直到所述深度模型CNN训练稳定,停止训练,保存所述CNN深度模型的参数,保存深度模型。
8.根据权利要求7所述的一种基于深度学习的无线电信号聚类方法,其特征在于:步骤S3.2包括:
S3.2.1,将所述相似度矩阵与所述上限阈值比较,挑选相似度较高的样本对,初步判断为同类样本,得到软分配同类标记矩阵;
S3.2.2,将所述相似度矩阵与所述下限阈值比较,挑选相似度较低的样本对,初步判断为不同类样本,得到软分配异类标记矩阵;
S3.2.3,所述相似度较高的样本对和相似度较低的样本对组成可靠样本,根据可靠样本对深度模型CNN进行再训练,用所述软分配同类标记矩阵和所述软分配异类标记矩阵代替样本真实标签,得到所述损失函数,并根据所述损失函数更新所述深度模型的参数。
9.根据权利要求7所述的一种基于深度学习的无线电信号聚类方法,其特征在于:所述聚类训练阶段损失函数如下:
在聚类阶段,λ>1,模型趋于判断两个样本为同类,将样本聚集,使得有相似调制类型特征的样本能够聚集在一起,其中聚类阶段的平衡参数λ的值为100, 为聚类训练阶段损失函数,POp为软分配同类标记矩阵,POn为软分配异类标记矩阵,SO为样本相似度矩阵。
10.一种基于深度学习的无线电信号聚类系统,其特征在于:包括依次连接的预处理模块、预训练模块、聚类模块、输出模块;
所述预处理模块,输入第一数据集和第二数据集,将所述第二数据集与所述第一数据集的样本数据大小调整一致,然后将调整后的两个数据集的样本数据分成若干批次,每个批次包含相同数量的样本数据;
所述预训练模块,将所述预处理模块中调整后的第二数据集分批的样本数据输入所述预训练模块,对深度模型进行预训练,多次迭代后直到所述深度模型训练稳定,保存所述深度模型;所述的深度模型CNN是由一维卷积层、二维卷积层、两层一维卷积层、转向量、两层全连接层依次构成的;具体包括:S2.1,将所述调整后的第二数据集中的一批样本数据输入随机初始化的深度模型CNN中,提取样本特征矩阵;具体包括:
1)使用所述一维卷积层对信号的IQ两路分别进行特征提取,获得所述IQ两路的初步特征;
2)基于所述二维卷积层,整合所述IQ两路的初步特征,提取信号的初步特征;
3)使用两层一维卷积层和两层全连接层对所述信号的初步特征进行进一步处理,提取所述信号的深层特征;
S2.2,根据所述样本特征矩阵计算所述调整后的第二数据集的一批样本数据间的余弦相似度矩阵;
S2.3,根据真实标签和所述余弦相似度矩阵计算损失函数,利用所述损失函数训练模型,更新模型的参数;具体包括:将所述样本的真实标签转化为one‑hot向量,通过样本真实二分类判断矩阵计算得到同类标记矩阵和异类标记矩阵;
引导预训练阶段的损失函数为:
在预训练阶段,λ<1,模型趋于判断两个样本为异类,将样本分开,寻找不同调制类型的特征差异,其中λ为平衡参数,用于协调同类损失和异类损失占的比重,调整模型的训练倾向,所述预训练阶段的λ值为0.1, 为预训练阶段损失函数,PBp为同类标记矩阵,PBn为异类标记矩阵,SB为余弦相似度矩阵;
S2.4,重复S2.1~S2.3,直到模型训练稳定,停止训练,保存模型的参数,保存深度模型;
所述聚类模块,载入所述预训练模块保存的深度模型,设定上限阈值和下限阈值,将所述调整后的第一数据集中的一批样本数据输入保存的深度模型中进行聚类训练,多次迭代后直到所述深度模型训练稳定,保存所述深度模型;具体包括:S3.1,将所述调整后的第一数据集中的一批样本数据输入S2.4中保存的深度模型,提取样本特征矩阵;
S3.2,根据样本特征矩阵,计算样本相似度矩阵,设定上限阈值和下限阈值,根据所述上限阈值、下限阈值和所述样本相似度矩阵挑选可靠样本,根据可靠样本计算损失函数,训练深度模型,更新所述深度模型的参数;
所述聚类训练阶段损失函数如下:在聚类阶段,λ>1,模型趋于判断两个样本为同类,将样本聚集,使得有相似调制类型特征的样本能够聚集在一起,其中聚类阶段的平衡参数λ的值为100, 为聚类训练阶段损失函数,POp为软分配同类标记矩阵,POn为软分配异类标记矩阵,SO为样本相似度矩阵;
具体包括:
S3.2.1,将所述相似度矩阵与所述上限阈值比较,挑选相似度较高的样本对,初步判断为同类样本,得到软分配同类标记矩阵;
S3.2.2,将所述相似度矩阵与所述下限阈值比较,挑选相似度较低的样本对,初步判断为不同类样本,得到软分配异类标记矩阵;
S3.2.3,所述相似度较高的样本对和相似度较低的样本对组成可靠样本,根据可靠样本对深度模型CNN进行再训练,用所述软分配同类标记矩阵和所述软分配异类标记矩阵代替样本真实标签,得到所述损失函数,并根据所述损失函数更新所述深度模型的参数;
S3.3,重复S3.1~S3.2,直到所述深度模型CNN训练稳定,停止训练,保存所述CNN深度模型的参数,保存深度模型;
输出模块,将目标数据集输入所述聚类模块得到的深度模型,输出待聚类目标信号的聚类结果。