问题2：前兆特征提取及所在的时间区间的识别应用.pdfVIP

1问题2：前兆特征提取及所在的时间区间的识别应用

本章开展了基于实-复域联合特征提取的信号识别方法研究，从信号多域特征挖掘的角

度出发，通过优化信号识别模型架构布局设计，探索抗噪性更好的信号特征提取模式。如

图6-1所示。

图6-1：基于实-复域联合特征提取的信号识别模型架构示意图

该方法立足于实数域与复数域信号特征的特性，结合传统卷积模块与时间特征提取模

块的优势，构造出信号的复卷积处理模块，建立一套以空间信息提取(SpatialInformation

Extraction,SI)、时间信息提取(TemporalInformationExtraction,TI)和判决分类(Decision

Classification,DC)为主体的信号实-复域联合特征提取流程，弥补现有深度学习模型架构提

取信号特征的不足，显著提升低信噪比范围内信号的识别精度。

1.1空间信息提取模块

空间信息提取模块的模型架构由两个一维实卷积层和两个一维复卷积层组成。两个实

卷积层分别采用64个大小为3的一维卷积核，一个ReLU激活函数，以及一个大小为2步

幅为1的一维最大池化操作构成；两个复卷积层则采用两组32个大小为3的一维复卷积

核，一个ReLU激活函数以及一个核大小为2步幅为1的一维复最大池化操作组成。

在空间信息提取模块中，信号经过实卷积处理模块和复卷积模块后，所有的信号特征

向量在通道层面进行串联，合并为一组包含丰富空间信息的特征向量。

具体来说，第一步，将复卷积处理模块输出的包含信号复关系信息的特征按通道串联。

每个信号经过复卷积处理模块的输出特征维度1×2×32×32，将该特征按通道整理后，其

特征维度被转换为1×64×32，即特征通道数从2转变为64（即32+32），如公式(6-1)所示。

F=[(F),(F)](6-1)

ccccccchannel

第二步，将该转换后的信号特征与该信号经过实卷积处理模块的输出信号特征按通道

串联，即将两个维度为1×64×32的信号特征按通道串联后，合并为一个维度为1×128×

32的联合特征向量，合并后的特征通道数为128（即64+64），如公式(6-2)所示。

F[F,F](6-2)

cccchannel

显然，空间信息提取模块从实-复域联合特征提取角度获得的输出特征，其携带的有用

1

信息与一般的单个实卷积特征提取模块相比更多，因为相较于其他单一的特征提取方法，

加入复卷积层后特征提取模块输出的信号特征既包含了信号本身的IQ结构信息又包含了

更丰富的复数关系信息，这是提升信号识别模型抗噪性能的重要因素。

1.2时间信息提取模块

时间信息提取模块包含两个LSTM层，分别包含128个单元，每个LSTM层由一个记

忆单元(MemoryCell,MC)和遗忘门(ForgetGate,FG)、输入门(InputGate,IG)以及输出门

(OutputGate,OG)等三个控制单元组成。记忆单元类似传送带，通过线性交互实现信息的积

累与传递。而这三个控制单元则是用于实现信息的添加与删除功能，其中遗忘门控制是否

保留记忆单元中的旧信息；输入门控制当前输入对记忆单元的影响程度；输出门控制输出

到记忆单元的信息。

tFi

形式化来说，当时刻的信号特征向量到达第个LSTM层，经过遗忘门后得到：

t