本发明属于无线电定位识别领域，尤其涉及一种基于时空注意力网络和对比损失的无线电定位识别系统。
背景技术：
1、目前，无人机已应用于各个领域，然而，无人机的飞行可能会威胁公共安全或违反法律法规，因此需要及时发现无人机的存在和活动，进而采取必要的安全防护措施，如干扰、拦截或驱逐；同时，恶意使用无人机可能会对重要场所、活动或设施造成威胁，需要可以及时发现和识别潜在的无人机威胁的技术，有助于采取相应的反制措施，保障公共安全；通过无线电定位系统对无人机进行定位、对其发出的无线电信号进行调制类型识别，能够确保公共安全、维护社会秩序。
2、传统的无线电定位系统通常依赖于先验知识和模型来进行信号处理和定位计算，需要对信号特征、传播模型等进行假设和建模，这可能导致系统在处理复杂场景或未知信号类型时表现不佳。而且传统的无线电定位系统通常针对特定的应用场景进行设计和优化，其性能和适用性可能受到场景和环境的限制，在面对新的应用场景或需求时，系统需要重新设计和调整，导致部署和应用的灵活性较低。同时，由于传统无线电定位系统对信号噪声和干扰的抗干扰能力相对较弱，容易受到外部干扰的影响而导致定位结果不准确或失败。相比之下，基于深度学习模型的无线电定位系统在适应性、泛化能力和抗干扰能力等方面都展现出一定的优势。
技术实现思路
1、本发明的目的在于解决上述技术问题之一，提供一种使用深度学习模型、结合了卷积神经网络cnn、长短时记忆网络lstm以及注意力机制的优点的基于时空注意力网络和对比损失的无线电定位识别系统。
2、为实现上述目的，本发明采用的技术方案是：
3、基于时空注意力网络和对比损失的无线电定位识别系统，包括无人机、多个频谱仪以及信号调制终端；
4、无人机飞行过程中产生无线电信号；
5、多个频谱仪分别设置在多个不同的信号接收点，用于接收无人机产生的无线电信号，接收过程中，频谱仪捕获并显示接收到的无线电信号，将接收到的无线电信号进行保存组成无线电信号样本数据集；
6、信号调制终端包括数据处理模块和多输出的神经网络模型；
7、数据处理模块用于将无线电信号样本数据集划分为训练集、验证集和测试集，对训练集、验证集和测试集中的无线电信号进行预处理，以及分别将训练集、验证集和测试集中的数据输入多输出的神经网络模型；预处理包括将无线电信号经过变换形成i/q向量和a/p向量；
8、多输出的神经网络模型包括第一识别模块和第二识别模块；第一识别模块用于提取数据中不同特征值之间的空间特征；第二识别模块用于提取数据中不同特征值之间的时序特性；第一识别模块后设置一个分类器用于提前中止运算；
9、数据处理模块还用于存储多种无线电信号数据的调制类型，其中能够在第一识别模块被分类的调制类型被划分为集合a；
10、多输出的神经网络模型接收数据处理模块输入的训练集数据后，将训练集中调制类型属于集合a的数据输入第一识别模块进行训练，将不属于集合a的数据依次输入第一识别模块和第二识别模块进行训练，获得训练后的多输出的神经网络模型；
11、训练后多输出的神经网络模型接收数据处理模块输入的验证集数据后，训练集中数据调制类型属于集合a的数据经过第一识别模块学习空间特征后进行特征融合，不属于集合a的数据经过第二识别模块学习时间特征后进行特征融合，获得方向和调制类型的特征以及距离的特征；使用具有对比损失的损失函数对方向和调制类型的特征进行损失计算，使用均方差损失函数对距离的特征进行损失计算，并在反向传播过程中更新多输出的神经网络模型的参数，直至损失函数保持收敛，获得更新参数后的多输出的神经网络模型；
12、更新参数后的多输出的神经网络模型接收数据处理模块输入的测试集数据后，对测试集中的无线电信号进行自动定位和调制分类，最终输出无线电信号来源的距离、方向以及无线电信号的调制类型。
13、本发明一些实施例中，i/q向量包括同相分量和正交分量，由公式（1）表示：
14、（1）；
15、其中，为输入数据的i/q向量，为输入的无线电信号数据，为数据的同相分量，为数据的正交分量；
16、a/p向量包括幅度分量和相位分量，由公式（2）表示：
17、（2）；
18、其中，为输入数据的a/p向量，为输入的无线电信号数据，为数据的幅度分量，为数据的相位分量；
19、幅度分量和相位分量的转换由公式（3）和公式（4）表示：
20、（3）；
21、（4）；
22、其中，为数据的同相分量，为数据的正交分量，为数据的幅度分量，为数据的相位分量。
23、本发明一些实施例中，第一识别模块包括用于处理i/q向量的i/q流模块和用于处理a/p向量的a/p流模块；第一识别模块的i/q流模块和a/p流模块结构相同，均由多个cnn层和多个空间注意力机制依次组合构成。
24、本发明一些实施例中，空间注意力机制采用挤压和激励注意力机制，第一识别模块完成空间注意力机制的方法包括：
25、在第一识别模块的每个cnn层后构造一个相应的se块执行特征重新校准；
26、通过全局平均池化操作对特征权重参数进行初始化提取，通过挤压操作进行特征提取，在空间维度h×w对特征u执行全局平均池化，获得结果，其中，为特征u在空间维度h×w执行全局平均池化后的结构，的每一个元素由公式（5）表示：
27、（5）；
28、其中，为第c通道的特征映射的初始化权值，特征映射为特征u在空间维度h×w上的特征，，h、w分别为特征映射的宽度和高度，为特征提取函数；
29、经过激励操作缩放和非线性变换生成特征权重向量，使用通道上的激活函数控制权重参数值，非线性变换的变换形式由公式（6）表示：
30、（6）；
31、其中，为生成的特征权重向量，为sigmoid激活函数，为relu函数，，，为变换函数；
32、将相应的信道特征与特征权重向量相乘，由公式（7）表示：
33、（7）；
34、其中，为相应的信道特征与特征权重向量相乘后的特征，，为标量和特征映射之间的通道级别乘法，。
35、本发明一些实施例中，第二识别模块包括用于处理i/q向量的i/q流模块和用于处理a/p向量的a/p流模块；第二识别模块的i/q流模块和a/p流模块结构相同，均由多个不同长度的lstm层和多尺度时间注意力机制组合构成。
36、本发明一些实施例中，第二识别模块对输入的数据进行数据拼接和裁剪，形成多组不同长度的数据；
37、获得多组不同长度的数据后，第二识别模块分别将多组不同长度的数据输入对应长度的lstm层进行训练，lstm层使用输入门和遗忘门提取时间相关性，得到多组不同时间序列的特征；
38、将多组不同时间序列的特征拼接组合为预定长度的特征组；
39、将特征组输入多尺度时间注意力机制进行特征加强，多尺度时间注意力机制采用挤压和激励注意力机制，通过学习每个特征通道的重要程度，为每个特征通道分配不同的权值，以调整各个特征通道的重要性。
40、本发明一些实施例中，训练后多输出的神经网络模型将i/q向量和a/p向量对应输入i/q流模块和a/p流模块的特征函数，通过外积合成最终特征，以完成特征融合，由公式（8）表示：
41、(8)；
42、其中，和分别表示i/q流模块和a/p流模块的特征函数。
43、本发明一些实施例中，具有对比损失的损失函数用于增强多输出的神经网络模型训练过程中不同无线电信号的调制类型和无线电信号来源方向之间的差异，以提高多输出的神经网络模型学习到的表征的判别能力；
44、具有对比损失的损失函数包括交叉熵损失、l2正则化项和基于曼哈顿的对比损失函数，由公式（9）表示：
45、(9)；
46、其中，为具有对比损失的损失函数，为交叉熵损失函数，为l2正则化项，为基于曼哈顿的对比损失函数；
47、交叉熵损失函数用于最大化正确分类的后验概率，由公式(10)表示：
48、(10)；
49、其中，m为调制类别的数量，n为样本个数，为符号函数，若样本i属于类别c，则为1，否则为0，为样本i属于类别c的预测概率；
50、l2正则化项用于防止网络权重取极大值，以避免过拟合，由公式（11）表示：
51、(11)；
52、其中，为超参数，用于控制正则化项的大小，为均方误差，由公式（12）表示：
53、(12)；
54、其中，为原始数据和，为使用参数预测的数据；
55、基于曼哈顿的对比损失函数由公式（13）表示：
56、(13)；
57、其中，为指标函数，，属于第个调制类型，为自定义阈值，用于调整类间特征之间的差异，表示特征空间中一对特征向量之间的曼哈顿距离，由公式（14）表示：
58、(14)；
59、其中，n为数据空间的维度，、分别为向量的数据；
60、本发明一些实施例中，更新参数后的多输出的神经网络模型将测试集中的无线电信号输入第一识别模块，获得学习到空间特征的i/q数据和a/p数据；
61、将学习到空间特征的i/q数据和a/p数据存入数据缓冲池中，并输入第一识别模块后的分类器，若第一识别模块后的分类器能够判别当前正在处理的无线电信号数据为集合a中的调制类型，则提前终止；
62、若不能判别为集合a中的调制类型，则从数据缓冲池中提取存入的学习到空间特征的i/q和a/p数据，并将其输入第二识别模块进行学习和判别。
63、本发明一些实施例中，均方差损失函数用于确定无线电信号数据来源的距离，由公示（15）表示：
64、(15)；
65、其中，y为目标值，f(x)为预测值，n为样本个数。
66、本发明的有益效果在于：
67、1、本发明所提供的无线电定位系统中多输出的神经网络模型考虑了无线电信号的空间和时间的特征交互，结合了卷积神经网络cnn、长短时记忆网络lstm以及注意力机制的优点，有效的探索了原始复杂时间信号的特征交互和时空特性，减少了模型运行时间；并且，神经网络模型从i/q流数据和a/p流数据中学习到的特征是成对交互的，增加了特征的多样性，进一步提高了模型进行自动调制分类的性能；
68、2、本发明所提供的多输出的神经网络模型使用具有对比损失的损失函数，增强了模型学习到的表征的判别能力，促进了调制类型之间的差异最大化，增强了不同调制之间的差异，提高了无线电信号定位和调制类型分类的精度；
69、3、本发明所提供的多输出的神经网络模型通过共享模型参数和特征表示，能够通过cala一个模型架构来解决定位和识别两个任务，提高了效率和准确性；
70、4、本发明所提供的多输出的神经网络模型中的分类器能够实现分类提前终止，有助于减少模型运算量，提高自动调制分类的效率，进一步提高了多输出的神经网络模型的整体性能；
71、5、本发明所提供的多输出的神经网络模型可以同时优化多个输出任务，通过共享模型参数和特征表示，同时解决多个相关任务，提高了整体模型的综合性能，与独立训练多个单输出模型相比，减少了计算复杂度，提高了泛化能力，节省了模型训练时间。
1.基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，包括：无人机、多个频谱仪以及信号调制终端；
2.根据权利要求1所述的基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，所述i/q向量包括同相分量和正交分量，由公式（1）表示：
3.根据权利要求1或2所述的基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，所述第一识别模块包括用于处理i/q向量的i/q流模块和用于处理a/p向量的a/p流模块；所述第一识别模块的i/q流模块和a/p流模块结构相同，均由多个cnn层和多个空间注意力机制依次组合构成。
4.根据权利要求3所述的基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，所述空间注意力机制采用挤压和激励注意力机制，所述第一识别模块完成所述空间注意力机制的方法包括：
5.根据权利要求1或2所述的基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，所述第二识别模块包括用于处理i/q向量的i/q流模块和用于处理a/p向量的a/p流模块；所述第二识别模块的i/q流模块和a/p流模块结构相同，均由多个不同长度的lstm层和多尺度时间注意力机制组合构成。
6.根据权利要求5所述的基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，
7.根据权利要求2所述的基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，
8.根据权利要求1所述的基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，所述具有对比损失的损失函数用于增强所述多输出的神经网络模型训练过程中不同无线电信号的调制类型和无线电信号来源方向之间的差异，以提高所述多输出的神经网络模型学习到的表征的判别能力；
9.根据权利要求1所述的基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，
10.根据权利要求1所述的基于时空注意力网络和对比损失的无线电定位识别系统，其特征在于，
