电磁辐射源信号的识别方法、装置及电子设备

计算;推算;计数设备的制造及其应用技术1.本发明涉及电磁辐射源信号个体识别技术领域，尤其涉及一种电磁辐射源信号的识别方法、装置及电子设备。背景技术：2.电磁辐射源信号个体识别技术是空管监视和电子对抗领域的关键技术之一，也是国内外电子领域的前沿方向。在民用领域，辐射源个体识别在通信信号识别和频谱管理领域发挥着至关重要的作用。它通过对捕获到的电磁辐射源信号进行特征测量，将辐射源电磁特征与辐射源个体相匹配，进而识别出发射该电磁信号的设备类型。辐射源个体识别结果对分析通信网络结构、确定敌方威胁等级和战术决策有着关键性作用。3.技术研究方面可以细分为细微特征提取和分类器的设计。传统的特征提取是基于脉冲参数和信号的样式匹配，这些量化后的特征无法精细表达信号个体之间的差异；传统的分类器的设计是基于门限的，而基于个体的信号差很小，明显传统的门限设计能力已经显得无能为力。面对日益复杂多变的电磁大环境，电磁信号往往存在着多种工作模式，传统的辐射源个体信号识别方法存在着越来越多的局限性，个体特征提取困难，识别过程耗时长，算法时间复杂度高，不具有普适性。4.基于以上背景，将机器学习理论引入到电磁辐射源信号个体识别技术上。无监督特征选择是近年来特征选择的热点研究领域之一，在数据挖掘、机器学习和模式识别上具有广泛的应用。无监督特征选择是一种选择利用最明显的特征，没有任何类标签的特征选择问题。在现实世界的应用程序中，数据标签的获取是非常昂贵和耗时的，受益于不需要标签信息，无监督特征选择算法在实际应用中具有普遍意义。传统的基于图的特征选择算法大致包含两个步骤，首先通过图拉普拉斯矩阵或非负矩阵分解的谱分析来探索数据结构，然后利用正则化模型学习特征选择矩阵。然而这些方法的相似度矩阵是由原始数据导出的，并在后续过程中保持不变，这样的相似度矩阵会破坏局部流形结构，最终导致效果并不理想。5.针对上述相关技术中对电磁辐射源信号的识别效果较差的问题，尚未提出有效地解决方案。技术实现要素：6.本发明实施例提供了一种电磁辐射源信号的识别方法、装置及电子设备，以至少解决相关技术中对电磁辐射源信号的识别效果较差的技术问题。7.根据本发明实施例的一个方面，提供了一种电磁辐射源信号的识别方法，包括：接收一个电磁辐射源信号作为输入；对所述电磁辐射源信号进行数据预处理，得到预处理后的电磁辐射源信号；基于无监督结构化稀疏投影学习的目标函数对所述预处理后的电磁辐射源信号进行处理，得到目标正交投影矩阵，其中，所述目标正交投影矩阵用于表征对所述预处理后的电磁辐射源信号进行特征提取得到的特征子集；依据所述特征子集使用分类识别模型对所述电磁辐射源信号进行识别，得到所述电磁辐射源信号的所属类别；将所述电磁辐射源信号的所属类别作为分类结果进行输出。8.可选地，对所述电磁辐射源信号进行数据预处理，得到预处理后的电磁辐射源信号，包括：依据小波阈值法和/或傅里叶变换法对所述电磁辐射源信号进行降噪处理，得到降噪后的电磁辐射源信号；将降噪后的电磁辐射源信号确定为所述预处理后的电磁辐射源信号。9.可选地，基于无监督结构化稀疏投影学习的目标函数对所述预处理后的电磁辐射源信号进行处理，得到目标正交投影矩阵，包括：确定所述预处理后的电磁辐射源信号对应的数据矩阵，并构建二进制标签矩阵，其中，所述数据矩阵为d为所述数据矩阵的维数，n为数据样本数，为第i个数据点，所述二进制标签矩阵为g＝{0,1}n×c，c为所述数据矩阵中样本的类别数；构建所述目标函数，其中，所述目标函数的表达式如下：s.t.wtw＝i,||w||2,0＝k,st1＝1，其中，为正交投影矩阵，为拉普拉斯矩阵，为所述数据矩阵的相似度矩阵，1为元素全为1的列向量，其中，l＝p-s，度矩阵p是一个n×n的对角矩阵，其第i个对角元素为∑jsij；依据迭代更新求解算法对所述目标函数进行求解，直至所述目标函数收敛，得到所述目标正交投影矩阵。10.可选地，依据迭代更新求解算法对所述目标函数进行求解，直至所述目标函数收敛，得到所述目标正交投影矩阵，包括以下实施步骤：s1，随机初始化所述二进制标签矩阵g∈{0,1}n×c，并设置h＝g(gtg)-1/2；s2，固定w和s，更新h，其中，11.s3，固定w和h，更新s，其中，12.s4，固定h和s，更新w，其中，s.t.wtw＝i,||w||2,0＝k，a为半正定矩阵，i为单位矩阵；s5，重复执行步骤s2、s3和s4，直至所述目标函数收敛，得到所述目标正交投影矩阵。13.根据本发明实施例的另一个方面，还提供了一种电磁辐射源信号的识别装置，包括：输入模块，用于接收一个电磁辐射源信号作为输入；第一处理模块，用于对所述电磁辐射源信号进行数据预处理，得到预处理后的电磁辐射源信号；第二处理模块，用于基于无监督结构化稀疏投影学习的目标函数对所述预处理后的电磁辐射源信号进行处理，得到目标正交投影矩阵，其中，所述目标正交投影矩阵用于表征对所述预处理后的电磁辐射源信号进行特征提取得到的特征子集；识别模块，用于依据所述特征子集使用分类识别模型对所述电磁辐射源信号进行识别，得到所述电磁辐射源信号的所属类别；输出模块，用于将所述电磁辐射源信号的所属类别作为分类结果进行输出。14.可选地，所述第一处理模块包括：处理单元，用于依据小波阈值法和/或傅里叶变换法对所述电磁辐射源信号进行降噪处理，得到降噪后的电磁辐射源信号；第一确定单元，用于将降噪后的电磁辐射源信号确定为所述预处理后的电磁辐射源信号。15.可选地，所述第二处理模块包括：第二确定单元，用于确定所述预处理后的电磁辐射源信号对应的数据矩阵，并构建二进制标签矩阵，其中，所述数据矩阵为d为所述数据矩阵的维数，n为数据样本数，为第i个数据点，所述二进制标签矩阵为g＝{0,1}n×c，c为所述数据矩阵中样本的类别数；构建单元，用于构建所述目标函数，其中，所述目标函数的表达式如下：16.s.t.wtw＝i,||w||2,0＝k,st1＝1，其中，为正交投影矩阵，为拉普拉斯矩阵，为所述数据矩阵的相似度矩阵，1为元素全为1的列向量，其中，l＝p-s，度矩阵p是一个n×n的对角矩阵，其第i个对角元素为∑jsij；求解单元，用于依据迭代更新求解算法对所述目标函数进行求解，直至所述目标函数收敛，得到所述目标正交投影矩阵。17.可选地，所述求解单元包括：初始化子单元，用于随机初始化所述二进制标签矩阵g∈{0,1}n×c，并设置h＝g(gtg)-1/2；第一更新子单元，用于固定w和s，更新h，其中，第二更新子单元，用于固定w和h，更新s，其中，第三更新子单元，用于固定h和s，更新w，其中，s.t.wtw＝i,||w||2,0＝k，a为半正定矩阵，i为单位矩阵；处理子单元，用于重复执行所述第一更新子单元、第二更新子单元和第三更新子单元对应的方法步骤，直至所述目标函数收敛，得到所述目标正交投影矩阵。18.根据本发明实施例的另一个方面，还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述中任一项所述的方法步骤。19.根据本发明实施例的另一个方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任一项所述的方法步骤。20.在本发明实施例中，采用接收一个电磁辐射源信号作为输入；对电磁辐射源信号进行数据预处理，得到预处理后的电磁辐射源信号；基于无监督结构化稀疏投影学习的目标函数对预处理后的电磁辐射源信号进行处理，得到目标正交投影矩阵，其中，目标正交投影矩阵用于表征对预处理后的电磁辐射源信号进行特征提取得到的特征子集；依据特征子集使用分类识别模型对电磁辐射源信号进行识别，得到电磁辐射源信号的所属类别；将电磁辐射源信号的所属类别作为分类结果进行输出。也就是说，本发明实施例将无监督结构化稀疏投影学习与电磁辐射源信号个体识别结合起来，进而解决了相关技术中对电磁辐射源信号的识别效果较差的技术问题，达到了有效提高特征提取精度和提升识别性能的技术效果。附图说明21.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：22.图1为本发明实施例提供的电磁辐射源信号的识别方法的流程图；23.图2为本发明实施例提供的电磁辐射源信号个体识别方法的流程图；24.图3为本发明实施例提供的基于结构化稀疏投影学习的无监督特征选择方法的流程图；25.图4为本发明实施例提供的电磁辐射源信号的识别装置的示意图。具体实施方式26.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。27.需要说明的是，本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。28.根据本发明实施例的一个方面，提供了一种电磁辐射源信号的识别方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。29.图1为本发明实施例提供的电磁辐射源信号的识别方法的流程图，如图1所示，该方法包括如下步骤：30.步骤s102，接收一个电磁辐射源信号作为输入；31.需要说明的是，一个电磁辐射源信号是电磁辐射源信号个体。32.步骤s104，对电磁辐射源信号进行数据预处理，得到预处理后的电磁辐射源信号；33.上述数据预处理包括但不限于剔除电磁辐射源信号中无用和错误的数据，完成电磁辐射源信号的降噪，多径抑制和分选等复杂的信号与处理工作等。34.步骤s106，基于无监督结构化稀疏投影学习的目标函数对预处理后的电磁辐射源信号进行处理，得到目标正交投影矩阵，其中，目标正交投影矩阵用于表征对预处理后的电磁辐射源信号进行特征提取得到的特征子集；35.步骤s108，依据特征子集使用分类识别模型对电磁辐射源信号进行识别，得到电磁辐射源信号的所属类别；该步骤将特征选择得到的特征子集应用到电磁辐射源信号个体识别中，具有较高的特征提取精度和较好的识别性能。36.上述分类识别模型包括但不限于支持向量机(support vector machine，svm)分类模型等有效的分类识别模型，在具体实施过程中，可以使用支持向量机svm分类模型等有效的分类识别模型来实现特征空间到决策空间的转换，从而确定电磁辐射源信号的所属类别。37.步骤s110，将电磁辐射源信号的所属类别作为分类结果进行输出。38.在本发明实施例中，采用接收一个电磁辐射源信号作为输入；对电磁辐射源信号进行数据预处理，得到预处理后的电磁辐射源信号；基于无监督结构化稀疏投影学习的目标函数对预处理后的电磁辐射源信号进行处理，得到目标正交投影矩阵，其中，目标正交投影矩阵用于表征对预处理后的电磁辐射源信号进行特征提取得到的特征子集；依据特征子集使用分类识别模型对电磁辐射源信号进行识别，得到电磁辐射源信号的所属类别；将电磁辐射源信号的所属类别作为分类结果进行输出。也就是说，本发明实施例将无监督结构化稀疏投影学习与电磁辐射源信号个体识别结合起来，进而解决了相关技术中对电磁辐射源信号的识别效果较差的技术问题，达到了有效提高特征提取精度和提升识别性能的技术效果。39.在一种可选的实施方式中，对电磁辐射源信号进行数据预处理，得到预处理后的电磁辐射源信号，包括：依据小波阈值法和/或傅里叶变换法对电磁辐射源信号进行降噪处理，得到降噪后的电磁辐射源信号；将降噪后的电磁辐射源信号确定为预处理后的电磁辐射源信号。40.在本发明的上述实施方式中，采用小波阈值法和傅里叶变换法中的至少一种方式对电磁辐射源信号进行降噪处理，进而将降噪后的电磁辐射源信号作为预处理后的电磁辐射源信号。41.需要说明的是，小波阈值法主要利用小波变换的多分辨率特性，能够克服传统的基于傅里叶fourier变换滤波法所导致的信号畸变问题；傅里叶变换算法是利用直接测量得到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、信号和相位，从而实现对数据预处理的效果。42.在一种可选的实施方式中，基于无监督结构化稀疏投影学习的目标函数对预处理后的电磁辐射源信号进行处理，得到目标正交投影矩阵，包括：确定预处理后的电磁辐射源信号对应的数据矩阵，并构建二进制标签矩阵，其中，数据矩阵为d为数据矩阵的维数，n为数据样本数，为第i个数据点，二进制标签矩阵为g＝{0,1}n×c，c为数据矩阵中样本的类别数；构建目标函数，其中，目标函数的表达式如下：[0043][0044]s.t.wtw＝i,||w||2,0＝k,st1＝1[0045]其中，为正交投影矩阵，为拉普拉斯矩阵，为数据矩阵的相似度矩阵，1为元素全为1的列向量，其中，l＝p-s，度矩阵p是一个n×n的对角矩阵，其第i个对角元素为∑jsij；依据迭代更新求解算法对目标函数进行求解，直至目标函数收敛，得到目标正交投影矩阵。[0046]需要说明的是，每个数据点都有一个类标签ci∈{1,2,…,c}。另外，m表示正交投影矩阵的列数，i、j分别表示元素在对应矩阵中的位置，比如第i行、第j列。[0047]在本发明的上述实施方式中，利用无监督结构化稀疏投影学习的目标函数选择出具有判别性的特征子集，然后对电磁辐射源信号个体进行识别，从而确定电磁辐射源信号信号个体的所属类别。[0048]在一种可选的实施方式中，依据迭代更新求解算法对目标函数进行求解，直至目标函数收敛，得到目标正交投影矩阵，包括以下实施步骤：[0049]s1，随机初始化二进制标签矩阵g∈{0,1}n×c，并设置h＝g(gtg)-12；[0050]s2，固定w和s，更新h，其中，[0051]s3，固定w和h，更新s，其中，s3，固定w和h，更新s，其中，[0052]s4，固定h和s，更新w，其中，s.t.wtw＝i,||w||2,0＝k，a为半正定矩阵，i为单位矩阵；[0053]s5，重复执行步骤s2、s3和s4，直至目标函数收敛，得到目标正交投影矩阵。[0054]需要说明的是，在δ大于预设阈值的情况下，a＝xhhtxt-λxlxt+δi是一个半正定矩阵，i为单位矩阵。上述预设阈值可以根据需要而设置，能够保证δ的足够大。另外，目标函数收敛的收敛条件为|objt-objt+1|≤10-4，在目标函数满足该收敛条件时，则表明目标函数收敛，进而得到在目标函数收敛下的目标正交投影矩阵。上述obj表示迭代更新求解算法中的迭代次数。[0055]在本发明的上述实施方式中，可以采用迭代更新求解算法对目标函数进行求解，在目标函数收敛时，得到目标正交投影矩阵。由于将自适应图学习和稀疏投影学习结合起来，设计统一的目标函数，将基于图的方法和最大化类间散点矩阵的思想集成到一个统一的框架中，集成迹比的目标和子空间稀疏性约束，使得数据特征更具判别性，有效提升了特征选择的效果。[0056]下面对本发明一种可选的实施例进一步说明。[0057]本发明可选实施例是将无监督特征选择算法的机器学习知识与电磁辐射源信号个体识别技术结合起来。其中，电磁辐射源信号个体识别技术是指经过专业接收设备进行接受后，用数字信号处理技术对目标辐射源发出的信号进行转化，进而提取出表征其身份的特性，并与已有特性数据库进行比对，从而确定未知辐射源信号个体的类别的一种技术。本发明实施例提供了一种基于无监督结构化稀疏投影学习的电磁辐射源信号个体识别方法，图2为本发明实施例提供的电磁辐射源信号个体识别方法的流程图，如图2所示，对电磁辐射源信号进行预处理，然后再对信号预处理结果进行个体特征分析与识别，进而输出个体识别结果，其中，预处理也就是信号预处理，其可以采用小波变换、傅里叶变换及阈值变换等处理方式，上述个体特征分析与识别包括特征选择与分类识别，其中，分类识别采用svm、最近邻(k-nearest neighbors，knn)以及决策树等算法。其具体实现过程如下：[0058]1、信号数据预处理[0059]对于电磁辐射源信号个体识别而言，需要接收到的信号是比较“干净”的，即信号的信噪比较高且无干扰。但实际情况是，信号在空间中进行传播、接收机采集和转换过程中不可避免地会受到各种各样的“污染”，因此对接收到的电磁辐射源信号进行降噪处理就变为非常必要了，降噪处理的对象实为这些“污染”噪声。小波阈值法和傅里叶变换法是目前常用的信号降噪方法。小波阈值法主要利用小波变换的多分辨率特性，能够克服传统的基于fourier变换滤波法所导致的信号畸变问题。傅里叶变换算法是利用直接测量得到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、信号和相位，从而实现对数据预处理的效果。[0060]2、特征选择[0061]完成以上数据预处理步骤之后，则需要对数据预处理结果进行特征提取。无监督特征选择算法问题就是依据一定的判断准则，不需要用到数据标签，选择一个特征子空间能最好表达原始数据，从而达到降低维度和特征提取的自然分类。假定第一步得到的数据预处理结果是一个二维矩阵其中，d为数据矩阵的维数，n为数据样本数，为第i个数据点。图3为本发明实施例提供的基于结构化稀疏投影学习的无监督特征选择方法的流程图，如图3所示，处理后的电磁辐射源信号经过无监督特征选择，得到对应的特征选择结果，其中，无监督特征选择是将图结构化与稀疏投影学习结合，并使用迹比判别模型实现无监督环境下的特征选择。本发明提供了一种基于结构化稀疏投影学习的无监督特征选择方法，其基本实现过程如下：[0062](1)构建二进制标签矩阵[0063]假定预处理结果矩阵的数据样本类别数为c，令g∈{0,1}n×c为二进制标签矩阵，利用h＝g(gtg)-1/2将离散矩阵松弛为正交矩阵，即hth＝i。[0064](2)基于结构化稀疏投影学习的无监督特征选择方法[0065]传统的基于结构化稀疏投影学习的无监督特征选择方法的目标函数为：[0066][0067]s.t.wtw＝i,st1＝λ1,utu＝i[0068]其中，α和λ为正则化参数，可取值范围为{10-3,10-2,10-1,1,101,102,103}，w为希望得到的正交投影矩阵。[0069]本发明的基于结构化稀疏投影学习的无监督特征选择方法，在上述方法的基础之上考虑到迹比的鉴别能力要好于相同条件下的比迹和回归模型的鉴别能力，且基于2,1约束的模型不能解决子空间的稀疏性问题。为解决该问题，本发明将自适应图学习和稀疏投影学习结合起来，设计了统一的目标函数，将基于图的方法和最大化类间散点矩阵的思想集成到一个统一的框架中，集成迹比的目标和子空间稀疏性约束，使得数据特征更具判别性。本发明所解决的问题可用数学模型表示为：[0070][0071]s.t.wtw＝i,||w||2,0＝k,st1＝1[0072]上式有三个未知变量w、g和s，其中，是正交投影矩阵，g∈{0,1}n×c为二进制标签矩阵，为数据矩阵的相似度矩阵。[0073](3)模型求解[0074]本发明所解决的问题相当于求解如下等价函数：[0075][0076]s.t.wtw＝i,||w||2,0＝k,st1＝1,hth＝i[0077]为求解上述等价函数，本发明设计了一种迭代更新算法，通过不断迭代更新投影矩阵w、标签矩阵h和相似度矩阵s直到目标函数收敛。具体为：[0078]①初始化：随机初始化二进制标签矩阵g∈{0,1}n×c，令h＝g(gtg)-1/2。[0079]②固定w，s，更新h；[0080]当w和s固定时，上述等价函数转变为：[0081][0082]h的最优解可以用矩阵xtwwtx的前c大的特征值所对应的特征向量来表示。[0083]③固定w，h，更新s；[0084]当w和h固定时，上述等价函数可简化为：[0085][0086]s.t.st 1＝1[0087]由于进一步可以转化为：[0088][0089][0090]定义则可以将上述表达式进一步转化为向量形式：[0091][0092]上述向量形式所对应的拉格朗日函数为：[0093][0094]其中，η和βi≥0是拉格朗日乘子。根据kkt条件，sij的最优解应该为：[0095][0096]需要说明的是，kkt是判断某点是极值点的必要条件。kkt条件就是充要条件，只要满足就一定是极值点，且一定得到最优解。[0097]不失一般性地，假设di1,di2,…,din是从小到大排序的。因为si满足sik＞0≥si,k+1，所以有：[0098][0099]又因为所以有：[0100][0101]结合上述两个表达式可得：[0102][0103]进一步地令：[0104][0105]则整体的γ设置为γi的平均值：[0106][0107]把代入中，得到：[0108][0109]④固定h，s，更新w；[0110]当h和s固定时，上述等价函数可简化为：[0111][0112]s.t.wtw＝i,||w||2,0＝k[0113]进一步地：[0114][0115]s.t.wtw＝i,||w||2,0＝k[0116]其中，如果δ足够大，a＝xhhtxt-λxlxt+δi是一个半正定矩阵，i为单位矩阵。另外，为了确保矩阵a是半正定矩阵，那么将δ设置为矩阵xhhtxt-λxlxt的最大的特征值。[0117]⑤重复步骤②、③和④直至目标函数收敛(收敛条件为|objt-objt+1|≤10-4，此时得到的w即为无监督特征选择模块所要求的正交投影矩阵。[0118]3、识别分类[0119]利用上述基于结构化稀疏投影学习的无监督特征选择算法选择出具有判别性的特征子集，然后借助此模块中有效的分类算法来对电磁辐射源信号个体进行识别，从而确定信号个体的所属类别，最后将分类结果进行输出。支持向量机svm是机器学习领域非常有名的分类器，使用svm能够很好地识别调制信号；使用k近邻算法和决策树算法能够识别分类不同的辐射源信号，在一定程度上，这些分类器都能够取得很好的分类效果。[0120]根据本发明实施例的另一个方面，还提供了一种电磁辐射源信号的识别装置，图4为本发明实施例提供的电磁辐射源信号的识别装置的示意图，如图4所示，该电磁辐射源信号的识别装置包括：输入模块402、第一处理模块404、第二处理模块406、识别模块408和输出模块410。下面对该电磁辐射源信号的识别装置进行详细说明。[0121]输入模块402，用于接收一个电磁辐射源信号作为输入；[0122]第一处理模块404，连接至上述输入模块402，用于对电磁辐射源信号进行数据预处理，得到预处理后的电磁辐射源信号；[0123]第二处理模块406，连接至上述第一处理模块404，用于基于无监督结构化稀疏投影学习的目标函数对预处理后的电磁辐射源信号进行处理，得到目标正交投影矩阵，其中，目标正交投影矩阵用于表征对预处理后的电磁辐射源信号进行特征提取得到的特征子集；[0124]识别模块408，连接至上述第二处理模块406，用于依据特征子集使用分类识别模型对电磁辐射源信号进行识别，得到电磁辐射源信号的所属类别；[0125]输出模块410，连接至上述识别模块408，用于将电磁辐射源信号的所属类别作为分类结果进行输出。[0126]在本发明实施例中，该电磁辐射源信号的识别装置采用接收一个电磁辐射源信号作为输入；对电磁辐射源信号进行数据预处理，得到预处理后的电磁辐射源信号；基于无监督结构化稀疏投影学习的目标函数对预处理后的电磁辐射源信号进行处理，得到目标正交投影矩阵，其中，目标正交投影矩阵用于表征对预处理后的电磁辐射源信号进行特征提取得到的特征子集；依据特征子集使用分类识别模型对电磁辐射源信号进行识别，得到电磁辐射源信号的所属类别；将电磁辐射源信号的所属类别作为分类结果进行输出。也就是说，本发明实施例将无监督结构化稀疏投影学习与电磁辐射源信号个体识别结合起来，进而解决了相关技术中对电磁辐射源信号的识别效果较差的技术问题，达到了有效提高特征提取精度和提升识别性能的技术效果。[0127]此处需要说明的是，上述输入模块402、第一处理模块404、第二处理模块406、识别模块408和输出模块410对应于方法实施例中的步骤s102至s110，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法实施例所公开的内容。[0128]在一种可选的实施方式中，上述第一处理模块404包括：处理单元，用于依据小波阈值法和/或傅里叶变换法对电磁辐射源信号进行降噪处理，得到降噪后的电磁辐射源信号；第一确定单元，用于将降噪后的电磁辐射源信号确定为预处理后的电磁辐射源信号。[0129]在一种可选的实施方式中，上述第二处理模块第二处理模块406包括：第二确定单元，用于确定预处理后的电磁辐射源信号对应的数据矩阵，并构建二进制标签矩阵，其中，数据矩阵为d为数据矩阵的维数，n为数据样本数，为第i个数据点，二进制标签矩阵为g＝{0,1}n×c，c为数据矩阵中样本的类别数；构建单元，用于构建目标函数，其中，目标函数的表达式如下：s.t.wtw＝i,||w||2,0＝k,st1＝1，其中，为正交投影矩阵，为拉普拉斯矩阵，为数据矩阵的相似度矩阵，1为元素全为1的列向量，其中，l＝p-s，度矩阵p是一个n×n的对角矩阵，其第i个对角元素为∑jsij；求解单元，用于依据迭代更新求解算法对目标函数进行求解，直至目标函数收敛，得到目标正交投影矩阵。[0130]在一种可选的实施方式中，上述求解单元包括：初始化子单元，用于随机初始化二进制标签矩阵g∈{0,1}n×c，并设置h＝g(gtg)-1/2；第一更新子单元，用于固定w和s，更新h，其中，第二更新子单元，用于固定w和h，更新s，其中，第三更新子单元，用于固定h和s，更新w，其中，s.t.wtw＝i,||w||2,0＝k，a为半正定矩阵，i为单位矩阵；处理子单元，用于重复执行第一更新子单元、第二更新子单元和第三更新子单元对应的方法步骤，直至目标函数收敛，得到目标正交投影矩阵。[0131]根据本发明实施例的另一个方面，还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行上述中任一项的方法步骤。[0132]根据本发明实施例的另一个方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述中任一项的方法步骤。[0133]上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。[0134]在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。[0135]在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。[0136]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0137]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0138]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。[0139]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!