[发明专利]基于对抗训练的无线信号感知模型构建、感知方法及系统

权利要求书

1.基于对抗训练的无线信号感知模型构建方法，其特征在于，包括：

步骤1，采集无干扰数据和干扰数据，对无干扰数据标注动作分类标签，得到数据集；

步骤2，对步骤1的数据集进行去噪和数据转化处理，得到预处理后的干扰数据和带有动作分类标签的无干扰数据；

步骤3，将步骤2得到的干扰数据和带有动作分类标签的无干扰数据作为输入，以是否为干扰的判断结果和动作分类结果作为输出，训练对抗网络模型，训练完成后获得无线信号感知模型；

所述对抗网络模型包括特征提取器、干扰判别器和感知分类器；

所述述特征提取器用于将步骤2预处理后的数据中的带干扰数据映射为不带干扰的数据；

所述干扰判别器用于判断特征提取器获得的数据是否为干扰数据，若是带干扰的数据，标注标签为阴性，否则为阳性；

所述感知分类器用于对从特征提取器获得的数据进行分类，得到动作分类标签。

2.如权利要求1所述的基于对抗训练的无线信号感知模型构建方法，其特征在于，还包括模型解释模块，所述模型解释模块用于根据开源黑盒深度学习模型解释机制Lime对步骤2预处理后的数据和干扰判别器获得的带阴性或阳性标签的数据进行处理，获得无干扰数据对应的干扰判别关键特征和带干扰数据对应的干扰判别关键特征；然后计算无干扰数据对应的干扰判别关键特征和带干扰数据对应的干扰判别关键特征的差异值；将所述差异值加入干扰判别器前一次训练时的损失函数中，获得当前更新后的损失函数，将当前更新后的损失函数作为当前训练中的损失函数。

3.如权利要求1所述的基于对抗训练的无线信号感知模型构建方法，其特征在于，所述特征提取器、干扰判别器和感知分类器均为卷积神经网络CNN结构或均为LSTM结构。

4.如权利要求1所述的基于对抗训练的无线信号感知模型构建方法，其特征在于，所述步骤2具体包括：

步骤2.1，对步骤1的无干扰数据和带干扰数据进行滤波和主成分分析处理，获得去噪后的数据；

步骤2.2，对去噪后的数据进行归一化处理，将所有数值缩放至[0.1]范围内；

步骤2.3，采用短时傅里叶变换对步骤2.2得到的数据进行处理，将其转化为矩阵数据。

5.基于对抗训练的无线信号感知模型构建系统，其特征在于，包括：

数据采集模块，用于采集无干扰数据和干扰数据，且对无干扰数据标注动作分类标签，得到数据集；

数据预处理模块，用于对数据采集模块的数据集进行去噪和数据转化处理，得到预处理后的干扰数据和带有动作分类标签的无干扰数据；

对抗网络模型训练模块，用于将数据预处理模块得到的干扰数据和带有动作分类标签的无干扰数据作为输入，以是否为干扰的判断结果和动作分类结果作为输出，训练对抗网络模型，训练完成后获得无线信号感知模型；

所述对抗网络模型包括特征提取器、干扰判别器和感知分类器；所述特征提取器用于对经过数据预处理模块预处理后的数据中的带干扰数据映射为不带干扰的数据；所述干扰判别器用于判断特征提取器获得的数据是否为干扰数据，若是带干扰的数据，标注标签为阴性，否则为阳性；所述感知分类器用于对从特征提取器获得的数据进行分类，得到动作分类标签。

6.如权利要求5所述的基于对抗训练的无线信号感知模型构建系统，其特征在于，还包括模型解释模块，所述模型解释模块用于根据Lime算法对干扰判别器获得的带阴性或阳性标签的特征数据和预处理后的数据进行处理，获得无干扰数据对应的干扰判别关键特征和干扰数据对应的干扰判别关键特征；然后计算无干扰数据对应的干扰判别关键特征和干扰数据对应的干扰判别关键特征的差异值；将所述差异值加入干扰判别器的前一次训练时的损失函数中，获得当前更新后的损失函数，将当前更新后的损失函数作为当前训练中的损失函数。

7.如权利要求5所述的基于对抗训练的无线信号感知模型构建系统，其特征在于，所述特征提取器、干扰判别器和感知分类器均为卷积神经网络CNN结构。