[发明专利]一种基于改进型SCDAE的半监督调制方式分类模型的方法

权利要求书

1.一种基于改进型SCDAE的半监督调制方式分类模型的方法，其特征在于，所述基于改进型SCDAE的半监督调制方式分类模型的方法包括：归一化无线信号数据集；初始训练集与测试集；将训练集中未标记样本输入改进型SCDAE，计算各层的网络权值梯度；将训练集中标记样本输入有监督分类模型，计算各层的网络权值梯度；利用梯度下降法调整半监督模型的网络权值；将测试集数据样本输入有监督分类模型，得到调制方式分类准确率；

所述基于改进型SCDAE的半监督调制方式分类模型的方法包括以下步骤：

步骤一，将一个无线信号数据集中的所有数据归一化到区间[0,1]；

步骤二，从无线信号数据集中构建训练集样本和测试集样本；无线信号数据集标记样本数量为n_l，未标记样本数量为n_u，且n_l:n_u＝1:10；从标记样本中随机选取50％的数据{x_i,y_i}^t作为测试集，其中x_i是标记样本，y_i是标记样本x_i属于何种调制方式的标记，t是测试集样本的个数；剩余的标记样本{x_i,y_i}^b与未标记样本{x_j}^u共同组成训练集，其中x_j是未标记样本，b为训练集中标记样本的个数，u为训练集中未标记样本的个数；

步骤三，将训练集中未标记样本{x_j}^u与标记样本{x_i,y_i}^b中的{x_i}^b输入半监督模型中改进型SCDAE部分，分别计算每个样本输入改进型SCDAE后编码器与解码器各层的网络权值梯度；

步骤四，将训练集中标记样本{x_i,y_i}^b输入有监督分类模型部分，分别计算每个样本输入有监督分类模型后各层的网络权值梯度；

步骤五，半监督模型的损失函数函数由改进型SCDAE的重构误差函数和有监督模型的分类误差函数构成，利用梯度下降法调整半监督模型的网络权值；网络权值的变化量小于特定的门限值或者达到最大的迭代次数，训练结束，否则执行步骤三；

步骤六，将测试集样本中{x_i}^t输入已训练完成的训练有监督分类模型部分，得到对应的预测值{y_i^predict}^t，将预测值{y_i^predict}^t与实际标记值{y_i}^t进行对比，计算得到调制方式分类准确率；

所述步骤三具体包括：

(1)训练集中未标记样本{x_j}^u与标记样本{x_i,y_i}^b中的{x_i}^b输入半监督模型中改进型SCDAE部分前需经过高斯噪声的破坏；

(2)改从中随机选择与p₂数目相同的特征值，然后将额外经过一个池化区域较大的池化层的降维，编码器第三个卷积层的实际输入为α·p₂+(1-α)·p₄，α为加权和参数；解码器部分的第一个卷积层输出与第三个上池化层输出u₃的维度不一致，先将代表的向量进行补0操作，再通过一个池化区域较大的上池化层，使得u₃与u₄的维度一致；解码器第三个卷积层的实际输入为β·u₃+(1-β)·u₄，β为加权和参数；

(3)编码器网络权值为{W⁽¹⁾,b⁽¹⁾}，解码器网络权值为{W⁽²⁾,b⁽²⁾}，则改进型SCDAE的重构误差函数为其中，x_e为原始输入数据，为经过噪声“破坏”后输入改进型SCDAE的数据，σ为非线性激活函数；改进型SCDAE各层的网络权值梯度依据如下公式进行计算：

(4)b+u个样本的网络梯度都计算完成，则执行步骤四，否则返回执行(2)。