基于深度学习和时频变换的复杂电磁环境信号分选方法和系统

本发明公开了一种基于深度学习和时频变换的复杂电磁环境信号分选方法和系统，该方法包括采集多模态信号，对多模态信号进行自适应分数阶傅里叶变换，得到时频域表示，依序采用多尺度排列熵和张量分解技术，生成融合特征张量和因子矩阵；基于融合特征张量，采用稀疏表示方法，得到融合特征；基于融合特征和因子矩阵，采用张量积操作进行重建，得到增强特征张量；采用递归最小二乘算法进行在线特征更新，基于更新后的特征，采用互信息准则进行特征选择，得到最终特征集；基于最终特征集，调用预配置的动态图卷积网络模型，得到分类结果和对应的置信度。本发明不仅实现了多模态的数据融合，还提高了信号分类的准确性，实现了高精度的信号分类。