(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211341465.4 (22)申请日 2022.10.31 (71)申请人 之江实验室 地址 311121 浙江省杭州市余杭区中泰街 道之江实验室南湖总部 (72)发明人 韩光洁　徐政伟　李超　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 邱启旺 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) (54)发明名称 一种面向I/Q信号识别的半监督宽度学习方 法及装置 (57)摘要 本发明公开了一种面向I/Q信号识别的半监 督宽度学习方法及装置， 该方法首先对场景中采 集到的I/Q信号以复数形式进行表征， 并随机选 取部分数据进行标注， 构建半监督I/Q信号数据 集作为模型输入； 然后构建实特征节 点和虚特征 节点， 采用特征节点构建增强节点， 以表征特征 节点的实部和虚部的融合特征； 采用流形正则化 构建损失函数， 以将I/Q信号的标签信息从标签 数据中传播到无标签数据中； 最后将特征节点与 增强节点直接与输出层相连， 以构建权重矩阵， 并结合损失函数构建权重系数的求解方程。 本发 明不仅能够从无标签数据中提取I/Q信号特征， 还能有效地学习I载波与Q载波之间的互耦信息 以进一步提高I/Q信号的识别率。 权利要求书3页 说明书9页 附图2页 CN 115409073 A 2022.11.29 CN 115409073 A 1.一种面向I/Q信号识别的半监 督宽度学习方法， 其特 征在于， 包括以下步骤： （1） 对场景中采集到的I/Q信号以复数形式进行表征， 并随机选取部分数据进行标注， 构建半监督I/Q信号数据集作为模型输入； （2） 构建实特征节点和虚特征节点， 所述实特征节点和所述虚特征节点分别映射所述 半监督I/Q信号数据集中的实部特征和虚部特征， 采用特征节点构建增强节 点， 以表征所述 特征节点的实部和虚部的融合特 征； （3） 采用流形正则化构 建损失函数， 以将I/Q信号的标签信息从标签数据中传播到无标 签数据中； （4） 将所述特征节点与所述增强节点直接与输出层相连， 以构建权重矩阵， 并结合所述 步骤 （3） 中的损失函数构建权 重系数的求 解方程。 2.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法， 其特征在于， 所述 步骤 （1） 中的I/Q信号为双通道信号， 所述I/Q信号由I载波和Q载波组成， 通过将所述I载波 旋转90度以获得 所述Q载波； 所述I载波的表达式为： 将采样点u的二分之一的幅值A与相位 求积得到I载波 ； 所述Q载波的表达式为： 将I载波旋转90度后与采样点u的二分之一的幅值A求积可得到 Q载波 。 3.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法， 其特征在于， 对所 述I/Q信号数据集中的部分数据进行标注， 构建带标签的I/Q信号数据集以及无标签的I/Q 信号数据集； 所述模型输入的I/Q信号数据的实部和虚部均由带标签样本和对应的标签以 及无标签样本三部分组成。 4.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法， 其特征在于， 所述 步骤 （2） 包括以下子步骤： （2.1） 将处理后的所述半监督I/Q信号数据集表示为 ， 作为模型输入， 其实部和虚部 分别表示 为 和 ； 第c对所述实特 征节点和所述虚特 征节点的表达式分别为： 将输入样本的实部与随机产生的权重 求积， 再与随机偏置 求和， 然后经过激活函 数 得到映射后的实特 征节点 ； 将输入样本的虚部与随机产生的权重 求积， 再与随机偏置 求和， 然后经过激活 函数 得到映射后的虚特 征节点 ； 根据所述实特征节点和虚特征节点， 构建实特征节点集和虚特征节点集， 将所述实特 征节点集表示为 ， 将所述虚特 征节点集表示为 ； （2.2） 将所述实特征节点集和所述虚特征节点集合并， 以得到特征节点集， 并构 建增强 节点； 所述特 征节点集表示为 ； 第 个所述增强节点的表达式为： 将所述特征节点 与随机产生的权重 求积， 再与随机偏置 求和， 然后经过激活 函数 得到增强节点 ； 根据所述增强节点， 构建增强节点 集， 将所述增强节点 集表示为 ；权　利　要　求　书 1/3 页 2 CN 115409073 A 2（2.3） 将所述实特征节点集、 虚特征节点集和增 强节点集合并， 以得到节点集， 所述节 点集表示为 ， 对节点集 与权重矩阵 求积以得到模型的输出， 所述模型的输出表示 为 。 5.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法， 其特征在于， 所述 步骤 （3） 包括以下子步骤： （3.1） 所述I/Q信号数据集满足平滑度假设， 使用流形正则化对无标签样本的无标签数 据进行预测； （3.2） 根据所述I/Q信号数据集的形状约束提取数据的高维特征， 并判断数据的模式之 间的相似性； 通过选取与无标签样本的相似性值中最高的标签样本对其标签进行预测， 以 得出两个样本 和 对应的模型输出 和 ， 根据模型输出 和 以及两个样本 和 之 间的成对相似度 得出模型的损失函数 ； （3.3） 构建拉普拉斯矩阵表征信号的特 征， 拉普拉斯矩阵的表达式为： 样本成对相似性的对角矩阵D减去所有样本的成对相似性矩阵K， 以得到信号特征的拉 普拉斯矩阵L； （3.4） 将所述步骤 （3.2） 得到的损失函数 简化为： 对预测的样本标签的转置 与拉 普拉斯矩阵L 求积， 再对其与预测的样本标签 求积， 然后再对其 求矩阵的迹 ； 根据简化的损失函数将I/Q信号的标签信息从标签数据中传播到无 标签数据中。 6.根据权利要求5所述的面向I/Q信号识别的半监督宽度学习方法， 其特征在于， 所述 I/Q信号数据集满足平滑度假设， 具体为： 带标签数据集 和无标签数据集 满足同一边 缘分布 ； 当两个样本 和 在高密度区域中接近， 则认定二者条件概率 和 近似相等， 两个样本属于同一标签 类别。 7.根据权利要求5所述的面向I/Q信号识别的半监督宽度学习方法， 其特征在于， 所述 成对相似度 通过热核函数计算得 出， 其表达式为： 当两个样本 和 属于彼此 的t近邻集合时， 两个样本 和 差值的范数 的平方除以 ‑ 2， 然后再对其 求指数函数， 以得 出 ； 否则， 为0。 8.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法， 其特征在于， 所述 步骤 （4） 包括以下子步骤： （4.1） 采用所述步骤 （2） 得到样本 的模型输出 ， 根据所述模型输出 和真实 标签以得到预测标签与真实标签之间的误差， 所述 误差的表达式为： 对样本 映射后得到的节点集合 与网络的权重矩阵 求积后减去真实标签 ， 以得到第i个样本预测标签与真实标签之间的误差 ； （4.2） 所述 误差 为最小值时， 对应的权 重矩阵 为模型的最优解； （4.3） 在半监督场景下， 将所述步骤 （4.2） 中的误差结合流形正则化公式做进一步处 理， 表示为：权　利　要　求　书 2/3 页 3 CN 115409073 A 3