买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航天工业科技有限公司

摘要：本发明公开了一种基于深度学习和时频变换的复杂电磁环境信号分选方法和系统，该方法包括采集多模态信号，对多模态信号进行自适应分数阶傅里叶变换，得到时频域表示，依序采用多尺度排列熵和张量分解技术，生成融合特征张量和因子矩阵；基于融合特征张量，采用稀疏表示方法，得到融合特征；基于融合特征和因子矩阵，采用张量积操作进行重建，得到增强特征张量；采用递归最小二乘算法进行在线特征更新，基于更新后的特征，采用互信息准则进行特征选择，得到最终特征集；基于最终特征集，调用预配置的动态图卷积网络模型，得到分类结果和对应的置信度。本发明不仅实现了多模态的数据融合，还提高了信号分类的准确性，实现了高精度的信号分类。

主权项：1.基于深度学习和时频变换的复杂电磁环境信号分选方法，其特征在于，包括如下步骤：S1、采集多模态信号，对多模态信号进行自适应分数阶傅里叶变换，得到时频域表示；基于时频域表示，依序采用多尺度排列熵和张量分解技术，生成融合特征张量和因子矩阵；其中多模态信号包括雷达信号、通信信号和电子对抗信号；S2、基于融合特征张量，采用稀疏表示方法，得到重构特征，将重构特征合并得到融合特征；基于融合特征和因子矩阵，采用张量积操作进行重建，得到增强特征张量；S3、基于增强特征张量，采用递归最小二乘算法进行在线特征更新，得到更新后的特征；基于更新后的特征，采用互信息准则进行特征选择，得到最终特征集；S4、基于最终特征集，调用预配置的动态图卷积网络模型，得到分类结果和对应的置信度；步骤S1进一步为：S11、采集多模态信号，包括雷达信号、通信信号和电子对抗信号，计算多模态信号的Wigner-Ville分布；基于Wigner-Ville分布估计多模态信号的瞬时频率；S12、计算瞬时频率的变化率，基于瞬时频率的变化率，确定分数阶傅里叶变换的阶数；基于确定好的阶数，对多模态信号进行自适应分数阶傅里叶变换，得到多模态信号的时频域表示；S13、对时频域表示进行改进的经验模态分解，得到预定系列本征模态函数；采用改进的变分模态分解方法对预定系列本征模态函数进行跨模态对齐，得到对齐后的本征模态函数；S14、采用多尺度排列熵提取对齐后的本征模态函数的特征，生成特征向量；采用张量分解技术对特征向量进行初步融合，得到融合特征张量和因子矩阵；步骤S2进一步为：S21、基于融合特征张量，采用改进的小波包变换进行特征增强，得到子带系数矩阵；S22、采用改进的非局部均值滤波对子带系数矩阵进行降噪处理，获得降噪后的子带系数矩阵；S23、基于降噪后的子带系数矩阵，构建过完备字典；将降噪后的子带系数矩阵进行展平，得到展平向量；S24、基于过完备字典和展平向量，采用正交匹配追踪算法，生成稀疏系数向量；基于稀疏系数向量，更新过完备字典，得到更新后的字典；基于稀疏系数向量和更新后的字典，进行特征重构，得到重构特征；S25、采用自适应特征融合方法合并重构特征，获得融合特征；基于融合特征和因子矩阵，进行张量积操作，得到增强特征张量；步骤S3进一步为：S31、基于增强特征张量和更新后的字典，采用自适应核主成分分析方法进行特征降维，生成降维后的特征；S32、基于降维后的特征，采用递归最小二乘算法执行在线特征更新，产生更新后的特征；基于更新后的特征，采用动态时间规整技术进行时序对齐，获得对齐后的特征；S33、基于对齐后的特征，计算每个特征与预设类别标签之间的互信息值；基于互信息值对对齐后的特征进行降序排列，得到排列后的特征；S34、在排列后的特征中，选择互信息高于预设阈值的特征，形成最终特征集；步骤S4进一步为：S41、基于最终特征集，调用预配置的动态图卷积网络模型进行信号分类，得到分类结果和对应的置信度；S42、构建信号跟踪窗口，将分类结果添加到信号跟踪窗口，并计算信号跟踪窗口内每个类别的出现频率；S43、基于出现频率和预设稳定性阈值，判断信号类别是否稳定，如果稳定，则不做处理；否则增加多模态信号的采样频率和处理频率，得到新特征，基于新特征，对动态图卷积网络模型进行微调。

全文数据：

权利要求：

百度查询： 南京航天工业科技有限公司 基于深度学习和时频变换的复杂电磁环境信号分选方法和系统