一种基于特征压印与特征迁移识别信号的方法及系统与流程

1.本发明涉及信号识别技术领域，并且更具体地，涉及一种基于特征压印与特征迁移识别信号的方法及系统。


背景技术：

2.传统的信号识别算法：对信号进行识别与分类之前，需要从截获的信号中提取一些重要信息作为特征输入到分类器中。但是，这种方法需要人工特征提取，效率比较低，人工工作量大，算法的适用性较低，无法满足日益复杂的战场电磁环境，以及复杂多变的信号体制。因此，基于特定参数的信号特征提取和分析识别方法面临诸多困难和挑战，主要包括以下三个方面：(1)对信号进行特征提取时高度依赖人工特征提取和丰富的先验信息。早期的无线电信号源，体制单一并且功能简单，因此信号波形设计简单且参数相对稳定，人工设计并提取常规特征参数是简单有效的。然而，经过现代战场敌我的电子对抗，各种军事装备释放了多频谱、高密度的电磁波，产生了各种类型的通信无线电信号，因此，使用传统方法进行人工信号特征提取时，需要依赖更多领域与先验知识。
3.(2)复杂的信号类型使得传统方法难以为不同的信号设计通用特征。层出不穷的新体制雷达与通信方式，使得无线电信号波形设计越来越复杂，工作参数复杂，且信号形式多样，包括中低功率通信信号和高功率脉冲雷达信号等。因此，利用特征参数的传统信号识别方法，很难对不同类型的无线电信号设计普适的信号特征描述。
4.(3)无线电信号数量的增长以及无线电信号的快变性，使得难以手动设计高效特征。由于战场中大量使用各种电子系统，导致无线电信号产生的频谱状态数据的规模不断增长，并且非平稳而且特性变化快速。面向如此大量的非平稳信号数据，基于特征参数的特征提取方法的复杂度显著增加，使设计出高效简洁的信号特征表达非常困难。实际无线电信号的非平稳性使得传统方法的频谱分析受到了很大的限制。


技术实现要素：

5.针对上述问题，本发明提出了一种基于特征压印与特征迁移识别信号的方法，包括：获取预设类别的电子信号数据，将所述电子信号作为训练集，对所述训练集进行预处理，得到所述电子信号数据的二维时频图，将所述二维时频图输入至卷积神经网络模型，利用所述卷积神经网络模型的特征提取器对所述二维时频图的特征进行提取，得到所述二维时频图的特征向量，通过所述卷积神经网络模型的基础分类器对所述特征向量映射进行归一化处理，以对所述特征向量与所述卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立对应关系，以得到用于识别电子信号类别的基础模型；当所述待识别的电子信号数据的类别增加时，获取增加类别的电子信号数据，将所述增加类别的电子信号数据作为扩展训练集，对所述扩展训练集进行预处理，得到所述
新增类别的电子信号数据的扩展二维时频图，将所述扩展二维时频图输入至扩展卷积神经网络模型，利用所述扩展卷积神经网络模型的特征提取器对所述扩展二维时频图的特征进行提取，得到所述扩展二维时频图的扩展特征向量，通过所述扩展卷积神经网络模型的基础分类器对所述扩展特征向量映射进行归一化处理，以对所述扩展特征向量与所述扩展卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立扩展对应关系，并基于特征迁移算法，将所述卷积神经网络模型的特征提取器的特征提取算法，与所述特征向量与所述卷积神经网络模型基础分类器的分类权重的对应关系，迁移至扩展卷积神经网络模型，以得到用于识别小样本信号数据类别的扩展模型；获取待识别的小样本信号数据，将所述待识别的小样本信号数据，输入至所述扩展模型，基于所述扩展模型识别出所述小样本信号数据的类别。可选的，预处理为时频变换处理。
6.可选的，基于所述扩展模型识别出所述待识别的电子信号数据的类别，包括：基于所述扩展模型提取得到所述待识别电子信号数据的目标特征向量，计算所述目标特征向量与所述扩展模型原始提取的特征向量的余弦相似度，基于所述余弦相似度确定所述待识别的电子信号数据的类别。
7.可选的，方法还包括：若扩展训练集继续增加新类别的电子信号数据，则通过计算增加新类别的电子信号数据的特征向量的平均值，基于所述平均值，得到所述增加新类别的电子信号数据的分类权重。
8.可选的，方法还包括：若扩展训练集继续增加新类别的电子信号数据，则通过建立增加新类别的电子信号数据的基础模型，基于特征迁移算法，将所述增加新类别的电子信号数据的基础模型的特征向量提取算法与分类权重迁移至扩展模型，更新扩展模型。
9.再一方面，本发明还提出了一种基于特征压印与特征迁移识别信号的系统，包括：第一模型建立单元，用于获取预设类别的电子信号数据，将所述电子信号作为训练集，对所述训练集进行预处理，得到所述电子信号数据的二维时频图，将所述二维时频图输入至卷积神经网络模型，利用所述卷积神经网络模型的特征提取器对所述二维时频图的特征进行提取，得到所述二维时频图的特征向量，通过所述卷积神经网络模型的基础分类器对所述特征向量映射进行归一化处理，以对所述特征向量与所述卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立对应关系，以得到用于识别电子信号类别的基础模型；第二模型建立单元，用于在所述待识别的电子信号数据的类别增加时，获取增加类别的电子信号数据，将所述增加类别的电子信号数据作为扩展训练集，对所述扩展训练集进行预处理，得到所述新增类别的电子信号数据的扩展二维时频图，将所述扩展二维时频图输入至扩展卷积神经网络模型，利用所述扩展卷积神经网络模型的特征提取器对所述扩展二维时频图的特征进行提取，得到所述扩展二维时频图的扩展特征向量，通过所述扩展卷积神经网络模型的基础分类器对所述扩展特征向量映射进行归一化处理，以对所述扩展特征向量与所述扩展卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立扩展对应关系，并基于特征迁移算法，将所述卷积神经网络模型的特征提取器的特征提取算法，与所述特征向量与所述卷积神经网络模型基础分类器的分类权重的对应关系，迁移至扩展卷积神经网络模型，以得到用于识别小样本信号数据类别的扩展模型；
识别单元，用于获取待识别的小样本信号数据，将所述待识别的小样本信号数据，输入至所述扩展模型，基于所述扩展模型识别出所述小样本信号数据的类别。
10.可选的，第一模型建立单元的预处理为时频变换处理。
11.可选的，识别单元基于所述扩展模型识别出所述待识别的电子信号数据的类别，包括：基于所述扩展模型提取得到所述待识别电子信号数据的目标特征向量，计算所述目标特征向量与所述扩展模型原始提取的特征向量的余弦相似度，基于所述余弦相似度确定所述待识别的电子信号数据的类别。
12.可选的，第二模型建立单元还用于：在扩展训练集继续增加新类别的电子信号数据时，通过计算增加新类别的电子信号数据的特征向量的平均值，基于所述平均值，得到所述增加新类别的电子信号数据的分类权重。
13.可选的，第二模型建立单元还用于：在扩展训练集继续增加新类别的电子信号数据时，通过建立增加新类别的电子信号数据的基础模型，基于特征迁移算法，将所述增加新类别的电子信号数据的基础模型的特征向量提取算法与分类权重迁移至扩展模型，更新扩展模型。
14.与现有技术相比，本发明的有益效果为：本发明提供了本发明提出了一种基于特征压印与特征迁移识别信号的方法，包括：获取预设类别的电子信号数据，将所述电子信号作为训练集，对所述训练集进行预处理，得到所述电子信号数据的二维时频图，将所述二维时频图输入至卷积神经网络模型，利用所述卷积神经网络模型的特征提取器对所述二维时频图的特征进行提取，得到所述二维时频图的特征向量，通过所述卷积神经网络模型的基础分类器对所述特征向量映射进行归一化处理，以对所述特征向量与所述卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立对应关系，以得到用于识别电子信号类别的基础模型；当所述待识别的电子信号数据的类别增加时，获取增加类别的电子信号数据，将所述增加类别的电子信号数据作为扩展训练集，对所述扩展训练集进行预处理，得到所述新增类别的电子信号数据的扩展二维时频图，将所述扩展二维时频图输入至扩展卷积神经网络模型，利用所述扩展卷积神经网络模型的特征提取器对所述扩展二维时频图的特征进行提取，得到所述扩展二维时频图的扩展特征向量，通过所述扩展卷积神经网络模型的基础分类器对所述扩展特征向量映射进行归一化处理，以对所述扩展特征向量与所述扩展卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立扩展对应关系，并基于特征迁移算法，将所述卷积神经网络模型的特征提取器的特征提取算法，与所述特征向量与所述卷积神经网络模型基础分类器的分类权重的对应关系，迁移至扩展卷积神经网络模型，以得到用于识别小样本信号数据类别的扩展模型；获取待识别的小样本信号数据，将所述待识别的小样本信号数据，输入至所述扩展模型，基于所述扩展模型识别出所述小样本信号数据的类别。。本发明有效的解决了基于特定参数的信号特征提取方法面临的诸多困难与局限的问题，实现了在信号呈现繁多、时变、复杂的环境下的信号的特征提取与类别的识别，同时，在需要识别的数据集规模增加时，能够快速的训练扩展模型，提高模型训练的效率。
附图说明
15.图1为本发明方法的流程图；
图2为本发明方法的框架图；图3为本发明方法的原理图；图4为本发明系统的结构图。
具体实施方式
16.现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
17.除非另有说明，此处使用的术语（包括科技术语）对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
18.实施例1：本发明提出了一种基于特征压印与特征迁移识别信号的方法s100，如图1所示，包括：步骤s101、获取预设类别的电子信号数据，将所述电子信号作为训练集，对所述训练集进行预处理，得到所述电子信号数据的二维时频图，将所述二维时频图输入至卷积神经网络模型，利用所述卷积神经网络模型的特征提取器对所述二维时频图的特征进行提取，得到所述二维时频图的特征向量，通过所述卷积神经网络模型的基础分类器对所述特征向量映射进行归一化处理，以对所述特征向量与所述卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立对应关系，以得到用于识别电子信号类别的基础模型；步骤s102、当所述待识别的电子信号数据的类别增加时，获取增加类别的电子信号数据，将所述增加类别的电子信号数据作为扩展训练集，对所述扩展训练集进行预处理，得到所述新增类别的电子信号数据的扩展二维时频图，将所述扩展二维时频图输入至扩展卷积神经网络模型，利用所述扩展卷积神经网络模型的特征提取器对所述扩展二维时频图的特征进行提取，得到所述扩展二维时频图的扩展特征向量，通过所述扩展卷积神经网络模型的基础分类器对所述扩展特征向量映射进行归一化处理，以对所述扩展特征向量与所述扩展卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立扩展对应关系，并基于特征迁移算法，将所述卷积神经网络模型的特征提取器的特征提取算法，与所述特征向量与所述卷积神经网络模型基础分类器的分类权重的对应关系，迁移至扩展卷积神经网络模型，以得到用于识别小样本信号数据（即多类别的电子信号数据）多类别的电子信号数据类别的扩展模型；步骤s103、获取待识别的小样本信号数据，将所述待识别的小样本信号数据，输入至所述扩展模型，基于所述扩展模型识别出所述小样本信号数据的类别。
19.其中，预处理为时频变换处理。
20.其中，基于所述扩展模型识别出所述待识别的电子信号数据的类别，包括：基于所述扩展模型提取得到所述待识别电子信号数据的目标特征向量，计算所述目标特征向量与所述扩展模型原始提取的特征向量的余弦相似度，基于所述余弦相似度确定所述待识别的
电子信号数据的类别。
21.其中，方法还包括：若扩展训练集继续增加新类别的电子信号数据，则通过计算增加新类别的电子信号数据的特征向量的平均值，基于所述平均值，得到所述增加新类别的电子信号数据的分类权重。
22.其中，方法还包括：若扩展训练集继续增加新类别的电子信号数据，则通过建立增加新类别的电子信号数据的基础模型，基于特征迁移算法，将所述增加新类别的电子信号数据的基础模型的特征向量提取算法与分类权重迁移至扩展模型，更新扩展模型。
23.本发明使深度学习模型（卷积神经网络模型）能够实现对小样本信号的识别和提高对动态数据集的训练效率，本发明利用深度学习（特征压印和特征迁移）算法实现原理如图2所示，通过数据驱动自主学习信号特征，通过小样本识别和增量学习的原理，有效解决基于特定参数的信号特征提取方法面临的诸多困难与局限，实现在信号呈现繁多、时变、复杂的环境下，使无线电信号的特征表达、分析与处理技术进一步突破现有瓶颈，从而摆脱专家经验和先验信息的限制，能有效的提升信号识别能力。
24.对于小样本信号数据的识别问题，如图3所示，本发明采用了特征压印算法将分类层的权重与分类特征映射建立联系，从而能够在遇到小样本数据时实现特征映射与分类权重之间的相互转换，在不进行训练的情况下实现对新增类别权重的自动生成与加载，从而实现对小样本类别的识别。当新增类别的数据不断累积后，同样可以对权重加载之后的模型进行监督训练，进一步提高识别精度，具体实现过程如下：首先将信号通过时频变换转换为二维时频图，然后通过卷积神经网络对输入时频图进行特征提取。在分类器部分，将模型输出的特征映射进行归一化处理。通过归一化处理可以将输入数据的特征向量与模型自身的分类权重之间建立一种对应关系。
25.对于信号的小样本识别，通过模型得到小样本数据的归一化特征向量。测试过程中，将测试数据通过卷积神经网络模型得到对应信号类别的特征向量，并将测试样本的特征向量与不同信号类别的小样本数据的特征向量之间计算余弦相似度，通过比较不同类别之间的余弦相似度的大小输出最终的预测结果。
26.在动态数据集训练过程中，当训练集类别数量增加时，可以将新增的小样本信号类别的特征向量求均值从而得到新增类别的初始分类权重，并将该分类权重与之前训练的基础训练集的分类权重进行组合，得到扩展分类数量之后的模型。
27.当信号训练集数据量增加时，可以通过增加模型参数量的方式实现对动态数据集的训练。可以在已有的训练模型的基础上通过特征权重迁移的方法来实现知识迁移。通过增加模型的宽度和深度来实现对模型参数量的增加，同时在新模型构建时通过权重分解和增加恒等连接层的方式实现对原有模型的无损扩展。
28.对于动态数据集训练问题，本发明采用net2net特征迁移算法将经过训练的规模较小的教师模型的权重迁移到更大规模的学生模型当中，并且net2net知识迁移不会对模型的预测结果造成影响，从而实现模型在动态数据集中的平滑过渡，避免了从头训练网络模型，极大提高了模型对数据库变化的动态调整能力和训练效率。
29.本发明克服了传统方法在实际应用中适应性差的问题，通过引入深度学习方法能够有效提高战场环境下信号的识别精度，提高算法的稳定性。结合imprint小样本识别算
法，实现在开放环境中对未知信号的推断和小样本信号的识别。同时，采用基于net2net的知识迁移方法能够实现模型的终身训练，提高了模型更新迭代的速度，从而能够更好地应对实际战场当中不断变化的电磁环境。通过信道模拟器来解决实际环境电磁环境随地理位置不断变化的问题。最终构建能够实现在线迭代优化与推理的信号识别框架，降低模型的训练成本，提高算法的计算效率。
30.本发明相对于现有技术，具有如下优点：可以实现对未知信号的判断，解决了传统方法只能识别经过训练的已知信号类别，在开放环境中无法对未知信号进行判断的问题。
31.当样本量较少时，可以实现对信号的小样本识别。解决了传统方法训练过程对样本数量依赖比较高，当样本数量不足时，模型无法对小样本类别进行有效识别的问题。
32.在动态数据集下实现从较小的教师模型到较大的学生模型的平滑过渡。解决了模型结构固定，当数据集类别和规模发生变化时，模型无法根据数据集规模进行动态调整，训练效率比较低的问题。
33.实施例2：本发明还提出了一种基于特征压印与特征迁移识别信号的系统200，如图4所示，包括：第一模型建立单元201，用于获取预设类别的电子信号数据，将所述电子信号作为训练集，对所述训练集进行预处理，得到所述电子信号数据的二维时频图，将所述二维时频图输入至卷积神经网络模型，利用所述卷积神经网络模型的特征提取器对所述二维时频图的特征进行提取，得到所述二维时频图的特征向量，通过所述卷积神经网络模型的基础分类器对所述特征向量映射进行归一化处理，以对所述特征向量与所述卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立对应关系，以得到用于识别电子信号类别的基础模型；第二模型建立单元202，用于在所述待识别的电子信号数据的类别增加时，获取增加类别的电子信号数据，将所述增加类别的电子信号数据作为扩展训练集，对所述扩展训练集进行预处理，得到所述新增类别的电子信号数据的扩展二维时频图，将所述扩展二维时频图输入至扩展卷积神经网络模型，利用所述扩展卷积神经网络模型的特征提取器对所述扩展二维时频图的特征进行提取，得到所述扩展二维时频图的扩展特征向量，通过所述扩展卷积神经网络模型的基础分类器对所述扩展特征向量映射进行归一化处理，以对所述扩展特征向量与所述扩展卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立扩展对应关系，并基于特征迁移算法，将所述卷积神经网络模型的特征提取器的特征提取算法，与所述特征向量与所述卷积神经网络模型基础分类器的分类权重的对应关系，迁移至扩展卷积神经网络模型，以得到用于识别小样本信号数据类别的扩展模型；识别单元203，用于获取待识别的小样本信号数据，将所述待识别的小样本信号数据，输入至所述扩展模型，基于所述扩展模型识别出所述小样本信号数据的类别。
34.其中，第一模型建立单元201的预处理为时频变换处理。
35.其中，第二模型建立单元202还用于：在扩展训练集继续增加新类别的电子信号数据时，通过计算增加新类别的电子信号数据的特征向量的平均值，基于所述平均值，得到所述增加新类别的电子信号数据的分类权重。
36.其中，第二模型建立单元202还用于：在扩展训练集继续增加新类别的电子信号数据时，通过建立增加新类别的电子信号数据的基础模型，基于特征迁移算法，将所述增加新类别的电子信号数据的基础模型的特征向量提取算法与分类权重迁移至扩展模型，更新扩展模型。
37.其中，识别单元203基于所述扩展模型识别出所述待识别的电子信号数据的类别，包括：基于所述扩展模型提取得到所述待识别电子信号数据的目标特征向量，计算所述目标特征向量与所述扩展模型原始提取的特征向量的余弦相似度，基于所述余弦相似度确定所述待识别的电子信号数据的类别。
38.本发明有效的解决了基于特定参数的信号特征提取方法面临的诸多困难与局限的问题，实现了在信号呈现繁多、时变、复杂的环境下的信号的特征提取与类别的识别。
39.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言c++，java和直译式脚本语言python，javascript等。
40.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
41.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
42.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
43.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
44.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于特征压印与特征迁移识别信号的方法，其特征在于，所述方法包括：获取预设类别的电子信号数据，将所述电子信号作为训练集，对所述训练集进行预处理，得到所述电子信号数据的二维时频图，将所述二维时频图输入至卷积神经网络模型，利用所述卷积神经网络模型的特征提取器对所述二维时频图的特征进行提取，得到所述二维时频图的特征向量，通过所述卷积神经网络模型的基础分类器对所述特征向量映射进行归一化处理，以对所述特征向量与所述卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立对应关系，以得到用于识别电子信号类别的基础模型；当所述待识别的电子信号数据的类别增加时，获取增加类别的电子信号数据，将所述增加类别的电子信号数据作为扩展训练集，对所述扩展训练集进行预处理，得到所述新增类别的电子信号数据的扩展二维时频图，将所述扩展二维时频图输入至扩展卷积神经网络模型，利用所述扩展卷积神经网络模型的特征提取器对所述扩展二维时频图的特征进行提取，得到所述扩展二维时频图的扩展特征向量，通过所述扩展卷积神经网络模型的基础分类器对所述扩展特征向量映射进行归一化处理，以对所述扩展特征向量与所述扩展卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立扩展对应关系，并基于特征迁移算法，将所述卷积神经网络模型的特征提取器的特征提取算法，与所述特征向量与所述卷积神经网络模型基础分类器的分类权重的对应关系，迁移至扩展卷积神经网络模型，以得到用于识别小样本信号数据类别的扩展模型；获取待识别的小样本信号数据，将所述待识别的小样本信号数据，输入至所述扩展模型，基于所述扩展模型识别出所述小样本信号数据的类别。2.根据权利要求1所述的方法，其特征在于，所述预处理为时频变换处理。3.根据权利要求1所述的方法，其特征在于，所述基于所述扩展模型识别出所述待识别的电子信号数据的类别，包括：基于所述扩展模型提取得到所述待识别电子信号数据的目标特征向量，计算所述目标特征向量与所述扩展模型原始提取的特征向量的余弦相似度，基于所述余弦相似度确定所述待识别的电子信号数据的类别。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：若扩展训练集继续增加新类别的电子信号数据，则通过计算增加新类别的电子信号数据的特征向量的平均值，基于所述平均值，得到所述增加新类别的电子信号数据的分类权重。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：若扩展训练集继续增加新类别的电子信号数据，则通过建立增加新类别的电子信号数据的基础模型，基于特征迁移算法，将所述增加新类别的电子信号数据的基础模型的特征向量提取算法与分类权重迁移至扩展模型，更新扩展模型。6.一种基于特征压印与特征迁移识别信号的系统，其特征在于，所述系统包括：第一模型建立单元，用于获取预设类别的电子信号数据，将所述电子信号作为训练集，对所述训练集进行预处理，得到所述电子信号数据的二维时频图，将所述二维时频图输入至卷积神经网络模型，利用所述卷积神经网络模型的特征提取器对所述二维时频图的特征进行提取，得到所述二维时频图的特征向量，通过所述卷积神经网络模型的基础分类器对所述特征向量映射进行归一化处理，以对所述特征向量与所述卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立对应关系，以得到用于识别电子信号类别的基础模型；
第二模型建立单元，用于在所述待识别的电子信号数据的类别增加时，获取增加类别的电子信号数据，将所述增加类别的电子信号数据作为扩展训练集，对所述扩展训练集进行预处理，得到所述新增类别的电子信号数据的扩展二维时频图，将所述扩展二维时频图输入至扩展卷积神经网络模型，利用所述扩展卷积神经网络模型的特征提取器对所述扩展二维时频图的特征进行提取，得到所述扩展二维时频图的扩展特征向量，通过所述扩展卷积神经网络模型的基础分类器对所述扩展特征向量映射进行归一化处理，以对所述扩展特征向量与所述扩展卷积神经网络模型基础分类器的分类权重，基于特征压印算法建立扩展对应关系，并基于特征迁移算法，将所述卷积神经网络模型的特征提取器的特征提取算法，与所述特征向量与所述卷积神经网络模型基础分类器的分类权重的对应关系，迁移至扩展卷积神经网络模型，以得到用于识别小样本信号数据类别的扩展模型；识别单元，用于获取待识别的小样本信号数据，将所述待识别的小样本信号数据，输入至所述扩展模型，基于所述扩展模型识别出所述小样本信号数据的类别。7.根据权利要求6所述的系统，其特征在于，所述第一模型建立单元的预处理为时频变换处理。8.根据权利要求6所述的系统，其特征在于，所述识别单元基于所述扩展模型识别出所述待识别的电子信号数据的类别，包括：基于所述扩展模型提取得到所述待识别电子信号数据的目标特征向量，计算所述目标特征向量与所述扩展模型原始提取的特征向量的余弦相似度，基于所述余弦相似度确定所述待识别的电子信号数据的类别。9.根据权利要求6所述的系统，其特征在于，所述第二模型建立单元还用于：在扩展训练集继续增加新类别的电子信号数据时，通过计算增加新类别的电子信号数据的特征向量的平均值，基于所述平均值，得到所述增加新类别的电子信号数据的分类权重。10.根据权利要求6所述的系统，其特征在于，所述第二模型建立单元还用于：在扩展训练集继续增加新类别的电子信号数据时，通过建立增加新类别的电子信号数据的基础模型，基于特征迁移算法，将所述增加新类别的电子信号数据的基础模型的特征向量提取算法与分类权重迁移至扩展模型，更新扩展模型。

技术总结
本发明公开了一种基于特征压印与特征迁移识别信号的方法及系统，属于信号识别技术领域。本发明方法，包括：得到用于识别电子信号类别的基础模型；基于特征迁移算法，将所述卷积神经网络模型的特征提取器的特征提取算法，与所述特征向量与所述卷积神经网络模型基础分类器的分类权重的对应关系，迁移至扩展卷积神经网络模型，以得到用于识别小样本信号数据类别的扩展模型；获取待识别的小样本信号数据，将所述待识别的小样本信号数据，输入至所述扩展模型，基于所述扩展模型识别出所述待识别的小样本信号数据的类别。本发明实现了在信号呈现繁多、时变、复杂的环境下的信号的特征提取与类别的识别。与类别的识别。与类别的识别。


技术研发人员：骆家冀
受保护的技术使用者：北京海格神舟通信科技有限公司
技术研发日：2023.08.22
技术公布日：2023/9/20