[发明专利]一种基于ACGAN的小样本无线电信号增强识别方法

说明书

一种基于ACGAN的小样本无线电信号增强识别方法，包括以下步骤：1)数据预处理阶段。转换样本格式、划分数据集、对数据的类别进行onehot编码，获取对应的类别标签序列；2)基于生成式对抗网络的信号增强方法。将无线电信号样本调整成所设定的大小并对其进行像素归一化、设置深度卷积网络的各个网络层的初始参数，将步骤1)所划分的训练数据输入所述深度卷积网络，对网络进行训练；3)利用LSTM网络提取训练数据的特征构建信号识别分类器，并利用该分类器对测试数据、验证数据进行分类。

技术领域

本发明涉及一种基于ACGAN的小样本无线电信号增强识别方法。

背景技术

目前，无线电信号识别技术在多个领域得到重视，如在军事领域用来控制船舶、飞机、导弹、检测非法无人机等；在卫星领域进行无线电远程测量，获取探测区域的气象信息；在物联网领域利用红外探测技术实现数字智能化和软件化。

早期的信号识别方法主要利用多种仪器结合人工经验进行判定，成本高且效率低下，精确度无法保证。随着时代与科技的进步，目前信号识别技术主要分为两个研究方向——基于最大似然估计(maximum likelihood estimates，MLE)的识别方法与基于特征提取的识别方法。然而基于最大似然估计的识别方法需要很复杂的计算获得先验信息，比如调制信号的码率与载频等，这在实际应用中存在一定的局限性，会出现无法进行识别、识别的可靠性较差等问题。对比最大似然估计方法，基于特征提取的识别方法更易实现，但此方法需要对样本通过特征提取选择适当的特征和分类器进行分类识别。基于人为的特征选择泛化能力差，如果选择的特征与分类器不契合，将直接影响分类结果。深度学习技术因通过数据而学习“特征”的能力，为解决信号识别这一问题提供了有效的方法。

基于深度学习的无线电信号识别技术中，典型的挑战是在真实存在的各种无线信号环境中，很难准确的收集无线电信号，标记数据更为困难，不能很好的建立一个可靠的数据库，样本集将直接影响训练效果。针对当前无线电信号识别中部分信号样本数据量少导致基于深度学习的模型无法有效工作的问题，扩充小样本集尤为重要。因此本发明设计了一种基于生成对抗式网络Generative Adversarial Networks(GAN)的小样本无线电信号增强识别方法，通过GAN生成数据扩充小样本集，进而改进数据集、增强识别模型，完成小样本无线电信号增强识别。

发明内容

为了克服现有的无线电数据生成方式在多类别数据场合的数量不大、标记样本成本较高的不足，为了实现带标签样本的多类别数据的生成，本发明提供一种基于ACGAN的小样本无线电信号增强识别方法。

本发明通过深度卷积网络训练大量无线电信号数据，学习无线电信号的图像特征，扩充样本集，并结合LSTM网络对无线电信号进行分类，分类识别率较高，实用性良好、分类效果较好。最后通过扩充的小样本数据集完成增强的信号识别实验，在SNR为0db～30db时最优识别率可由86.96％增强到88.11％；在SNR为30db时最优识别率可由72.33％增强到73.50％，验证了本发明提出的基于ACGAN的小样本无线电信号增强识别方法效果良好。

本发明实现上述发明目的所采用的技术方案如下：

一种基于ACGAN的小样本无线电信号增强识别方法，包括以下步骤：

1)数据预处理；

1.1)采集无线电信号作为样本数据：

本发明的每个样本的大小为[1,512,2]，训练集共有312000张，测试集共有156000张。本数据集共有十二种调制方式，每种调制方式的信噪比区间为-20db～30db。本数据集的数据为521*2的I/Q两路信号即同相正交信号，I为in-phase，Q为quadrature，Q与I的相位相差了90度。

1.2)转换样本格式，划分数据集：