本發(fā)明屬于電磁信號處理和人工智能，具體涉及一種基于樣本穩(wěn)定關(guān)系的電磁信號序列聚類方法。

背景技術(shù)：

1、隨著科學(xué)技術(shù)的快速發(fā)展，各種無線電技術(shù)和業(yè)務(wù)廣泛開展，電磁信號在信息化發(fā)展中扮演著至關(guān)重要的角色。然而，隨著電磁設(shè)備數(shù)量的增加和系統(tǒng)向大型集成化發(fā)展，自由空間中的電磁信號變得越來越多，導(dǎo)致電磁干擾問題日益突出，嚴(yán)重影響了對于電磁信號的使用。由于電磁干擾信號往往具有高維度、強(qiáng)非線性和非平穩(wěn)性等特點(diǎn)，這使得對電磁信號進(jìn)行有效的分選配對成為了一個(gè)非常重要的問題。

2、作為無監(jiān)督學(xué)習(xí)領(lǐng)域的核心任務(wù)之一，聚類方法能夠在不需要任何標(biāo)注信息的情況下，根據(jù)數(shù)據(jù)本身的內(nèi)部特征將樣本劃分為不同的類別，這一特性使得聚類方法非常適用于電磁信號的分選配對問題。在面對龐大且復(fù)雜的電磁信號數(shù)據(jù)集時(shí)，使用聚類方法對電磁信號進(jìn)行分析有利于理解電磁信號之間的內(nèi)在差異性，有助于區(qū)分不同類型的干擾信號并迅速識別出特定類型的電磁信號，提高對電磁信號的分選配對的準(zhǔn)確性和效率。在實(shí)際應(yīng)用中，使用聚類方法處理電磁信號對雷達(dá)信號處理和無線通信等領(lǐng)域具有非常重要的意義。

3、盡管傳統(tǒng)的聚類算法如k-means算法、fcm算法、k-mediods算法等已被用于電磁信號序列的聚類問題，但這些算法通常需要人工提取特征，且對噪聲和異常值較為敏感，難以有效應(yīng)對當(dāng)前電磁信號數(shù)據(jù)量大且維度高的實(shí)際問題。隨著深度學(xué)習(xí)技術(shù)的迅速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)模型強(qiáng)大的表示學(xué)習(xí)能力受到廣泛關(guān)注和研究。深度學(xué)習(xí)模型利用深度神經(jīng)網(wǎng)絡(luò)將高維數(shù)據(jù)映射到低維嵌入空間，在學(xué)習(xí)輸入數(shù)據(jù)的低維特征表示的同時(shí)保留原始數(shù)據(jù)中蘊(yùn)含的關(guān)鍵數(shù)據(jù)信息。深度聚類方法旨在通過聯(lián)合優(yōu)化表示學(xué)習(xí)模塊和聚類模塊來實(shí)現(xiàn)聚類，在對高維數(shù)據(jù)的聚類中取得了較好的結(jié)果。在電磁信號的分選配對中，利用深度學(xué)習(xí)模型將復(fù)雜的高維非線性的電磁信號映射到低維嵌入空間，同時(shí)捕獲不同電磁信號的特征，然后根據(jù)這些電磁信號序列的內(nèi)在特性將不同的電磁信號劃分為不同的類別，從而實(shí)現(xiàn)電磁信號的有效分離，這是一種在實(shí)際場景中聚類電磁信號的可行方案。

技術(shù)實(shí)現(xiàn)思路

1、針對傳統(tǒng)聚類方法通常需要人工提取特征，且對噪聲和異常值較為敏感，難以有效應(yīng)對當(dāng)前電磁信號數(shù)據(jù)量大且維度高的問題，本發(fā)明提供了一種基于樣本穩(wěn)定關(guān)系的電磁信號序列聚類方法，該方法使用自編碼器作為表示學(xué)習(xí)模型，將輸入數(shù)據(jù)映射到低維表示空間，并設(shè)計(jì)了一種基于樣本穩(wěn)定關(guān)系的函數(shù)作為優(yōu)化目標(biāo)，通過迭代優(yōu)化聚類損失調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)，使其學(xué)習(xí)面向聚類的特征表示，進(jìn)而完成對電磁信號序列數(shù)據(jù)的聚類。

2、為了達(dá)到上述目的，本發(fā)明采用了下列技術(shù)方案：

3、步驟1，采集原始電磁信號。對原始電磁信號集合數(shù)據(jù)進(jìn)行預(yù)處理，將整段原始電磁信號進(jìn)行切割得到多幀信號，然后獲取每一幀的頻譜幅值特征向量，得到預(yù)處理后的數(shù)據(jù)；

4、步驟1.1：對原始電磁信號中的一整段信號進(jìn)行切割，得到多幀信號，并將每一幀信號表示并存儲為矩陣的形式；

5、步驟1.2：將步驟1.1得到的矩陣形式的數(shù)據(jù)進(jìn)行離散傅里葉變換，得到復(fù)數(shù)頻域矩陣，然后計(jì)算各頻點(diǎn)的真實(shí)幅值，獲得頻域幅值特征向量。

6、步驟2，預(yù)訓(xùn)練去噪自編碼器模型。去噪自編碼器模型由編碼器和解碼器兩個(gè)對稱的神經(jīng)網(wǎng)絡(luò)模型組成，首先對步驟1中得到的數(shù)據(jù)x添加隨機(jī)高斯噪聲e，得到加噪后的數(shù)據(jù)x'＝x+e作為去噪自編碼器模型的輸入，然后通過迭代優(yōu)化重構(gòu)損失訓(xùn)練去噪自編碼器模型；

7、步驟2.1，對步驟1中得到的數(shù)據(jù)x添加隨機(jī)高斯噪聲e，得到加噪后的數(shù)據(jù)x'＝x+e，將加噪后的數(shù)據(jù)x'輸入去噪自編碼器模型中，通過去噪自編碼器模型的編碼器得到數(shù)據(jù)的嵌入表示z，再經(jīng)過去噪自編碼器模型的解碼器得到輸入數(shù)據(jù)的重構(gòu)數(shù)據(jù)去噪自編碼器模型的編碼器和解碼器分別表示為：

8、

9、其中θe和θd分別表示去噪自編碼器模型的編碼器和解碼器的可學(xué)習(xí)權(quán)重參數(shù)，σ表示激活函數(shù)，h表示一組潛在特征映射，wl和bl分別表示編碼器第l層的權(quán)重和偏置，和cl分別表示解碼器第l層的權(quán)重和偏置，*表示卷積操作，z表示嵌入空間中的樣本表示；

10、步驟2.2，通過迭代優(yōu)化重構(gòu)損失訓(xùn)練去噪自編碼器模型，重構(gòu)損失lr的計(jì)算方法為：

11、

12、其中，x'i表示第i個(gè)樣本加噪后的數(shù)據(jù)，n表示數(shù)據(jù)樣本的總數(shù)，表示二范數(shù)的平方。

13、步驟3，執(zhí)行聚類。利用步驟2得到的去噪自編碼器模型的編碼器部分作為表示學(xué)習(xí)模型，將要聚類的n個(gè)數(shù)據(jù)映射到嵌入空間，然后使用樣本間的穩(wěn)定關(guān)系作為優(yōu)化目標(biāo)，通過迭代優(yōu)化聚類目標(biāo)將n個(gè)數(shù)據(jù)劃分為k個(gè)類簇。

14、步驟3.1，將步驟1得到的數(shù)據(jù)x輸入步驟2得到的去噪自編碼器模型的編碼器，將其映射到嵌入空間，得到數(shù)據(jù)的嵌入表示z＝{z1,z2,…,zn}，n表示數(shù)據(jù)樣本的總數(shù)，并在嵌入空間中執(zhí)行一次k-means算法得到初始類簇質(zhì)心m＝{m1,m2,…,mk}，其中，k表示類簇個(gè)數(shù)；

15、步驟3.2，使用學(xué)生t分布計(jì)算每個(gè)數(shù)據(jù)樣本的嵌入表示zi關(guān)于每個(gè)類簇質(zhì)心mj的分配概率qij：

16、

17、其中，α表示學(xué)生t分布的自由度；

18、步驟3.3，根據(jù)步驟3.2得到的每個(gè)數(shù)據(jù)樣本關(guān)于所有類簇質(zhì)心的分配概率，計(jì)算每個(gè)數(shù)據(jù)樣本關(guān)于每個(gè)類簇質(zhì)心的確定性fq(qij)：

19、

20、其中，t表示確定性最低時(shí)的共現(xiàn)概率值，使用大津法自適應(yīng)地確定t的取值；

21、步驟3.4，根據(jù)步驟3.3得到的每個(gè)數(shù)據(jù)樣本關(guān)于所有類簇質(zhì)心的確定性，計(jì)算每個(gè)數(shù)據(jù)樣本的穩(wěn)定性sq(xi)：

22、

23、其中，μ表示第i個(gè)樣本關(guān)于所有類簇質(zhì)心的確定性的均值，λ是一個(gè)系數(shù)，k表示類簇個(gè)數(shù)，j表示第j個(gè)類簇；

24、步驟3.5，根據(jù)步驟3.4得到的每個(gè)數(shù)據(jù)樣本的穩(wěn)定性，計(jì)算樣本穩(wěn)定性損失lss：

25、

26、其中，n表示數(shù)據(jù)樣本的總數(shù)；

27、步驟3.6，根據(jù)步驟3.2得到的每個(gè)數(shù)據(jù)樣本關(guān)于所有類簇質(zhì)心的分配概率，計(jì)算所有樣本的分配概率之間的余弦相似度cos(q)：

28、

29、其中，q＝{qij|1≤i≤n,1≤j≤k}表示所有樣本關(guān)于k個(gè)類簇質(zhì)心的分配概率，qt表示q的轉(zhuǎn)置，||q||表示q的模長；

30、步驟3.7，根據(jù)步驟3.6得到的余弦相似度，計(jì)算與每個(gè)樣本的余弦相似度最大和最小的樣本之間的余弦相似度的差值作為該樣本的全局相似性，并將所有樣本的全局相似性的均值作為全局穩(wěn)定性損失lgs：

31、

32、其中，和分別表示與第i個(gè)樣本余弦相似度最大的相似度值和與第i個(gè)樣本余弦相似度最小的相似度值。

33、步驟3.8，根據(jù)步驟3.2得到的每個(gè)數(shù)據(jù)樣本關(guān)于所有類簇質(zhì)心的分配概率，計(jì)算每個(gè)樣本與其最近鄰樣本的鉸鏈損失作為近鄰穩(wěn)定性損失lns：

34、lns＝max(neg-pos+1,0)???(10)

35、其中，且表示第i個(gè)樣本的最近鄰樣本關(guān)于第j個(gè)類簇的分配概率。

36、步驟3.9，聯(lián)合樣本穩(wěn)定性損失lss、全局穩(wěn)定性損失lgs和近鄰穩(wěn)定性損失lns作為聚類模塊優(yōu)化目標(biāo)lc：

37、lc＝lss+lgs+lns????(11)

38、步驟3.10，通過迭代優(yōu)化公式(11)，利用反向傳播方法微調(diào)去噪自編碼器模型編碼器的參數(shù)并更新類簇質(zhì)心，獲得最終的聚類結(jié)果。

39、與現(xiàn)有技術(shù)相比本發(fā)明具有以下優(yōu)點(diǎn)：

40、(1)本發(fā)明設(shè)計(jì)了一個(gè)用于聚類電磁信號序列數(shù)據(jù)的深度聚類方法，通過聯(lián)合優(yōu)化表示學(xué)習(xí)模塊(即步驟2訓(xùn)練的自編碼器)和聚類模塊(即步驟3的聚類優(yōu)化目標(biāo))，將原始數(shù)據(jù)映射到面向聚類的低維嵌入空間，充分挖掘電磁信號序列中隱含的信息；

41、(2)本發(fā)明提出使用樣本穩(wěn)定關(guān)系作為聚類的優(yōu)化目標(biāo)，能夠有效地捕捉同一種電磁信號間的相似性和不同電磁信號間的差異性，通過迭代優(yōu)化聚類目標(biāo)使得所有樣本均趨于穩(wěn)定，進(jìn)而被劃分到其所屬的類簇。