[发明专利]通信信号的小样本增强方法

说明书

本发明公开的一种基于多维变换的通信信号的小样本增强方法，旨在通过多个维度对原始信号进行变换，增强信号样本，扩充样本维度。该方法首先对采集到的原始信号按照标准解调译码方法进行类型判断，选取多类不同类型和信号样本构成原始样本集w；并分别加入噪声、标注与原始样本一致的标签形成加噪样本集；对w的每一条分别进行滤波，形成滤波样本集；对w的每一条分别进行区块截取，对截取后的区块随即重组，标注与原始样本一致的标签，形成重组样本集；对w的每一条分别进行随机频移，标注与原始样本一致的标签，形成频移样本集；然后将所有样本集混合并随即打乱排序，形成增强样本集；最后将增强样本集输入深度学习模型进行训练并进行交叉验证。

技术领域

本发明涉及信号特征识别领域，具体涉及到信号样本标注和小样本增强的处理方法。

技术背景

随着无线移动通信技术的不断发展与应用,调制识别系统已经广泛应用于信息截获、干扰识别等领域。调制样式识别是非协作通信领域中一项极其重要的技术。调制识别技术是指在缺少先验知识的条件下,通过分析研究接收到的信号样本,来判断信号所采用的调制方式及其他参数的技术。调制方式识别技术主要是对信号的调制方式进行识别,调制识别技术作为一直以来通信领域中的一个研究热点,广泛应用于信号监测、频谱管理、电子对抗等多个军民用通信领域。调制样式识别是非协作通信领域中一项极其重要的技术,重点研究接收到的无线电信号是属于何种类型的通信方案,为后续获取通信信息进而干扰发送方提供依据,进入21世纪通信技术快速发展的时代,调制方式向着多元化发展,信道环境向着复杂化转变。传统的对数字通信信号识别算法的研究通常是在高斯白噪声的背景环境下,但在实际的生活场景中往往分布着大量具有尖峰脉冲特性的非高斯噪声,在这样的信道环境下传统的调制识别算法将会失去作用。随着人工智能技术的飞速发展,深度学习理论也越来越多的应用到调制识别领域。与传统的调制识别算法相比,基于深度学习的调制识别算法能从信号数据中自动地学习到更深层的特征表示,往往取得更好的识别效果。深度学习方法在特征提取和模式识别方面具有显著优势，近年已有将深度学习方法应用于信号处理领域，深度学习的基础就是大量丰富有效的带标签数据，因此如何快速高效的获取更多的有效样本是提升识别准确率的一个关键点。在空间通信技术高速发展的前提下，原有意义上的空间通信目标识别(如调制模式识别等)方法无法区分复杂信号环境下的同类空间通信目标个体。因此，必须通过特定的高保真通信接收机分析侦测到的空间通信信号，从中提取空间通信目标的射频信号特征，实现对特定空间通信目标的个体识别。通信信号载频和调制参数提取载频估计有多种方法，无论采取何种调制方式，空间通信目标发射的射频信号总存在载频。载频的偏差和稳定度取决于通信发射设备的本振源，其不同的制造精度和调试过程将会造成空间目标个体的差异。空间通信设备的一部分非线性噪声会以各种不同的调制方式附加在射频信号上，使得接收信号在频域产生微小变化，从而产生大量的杂散频率分量。杂散特性的个体差异每台空间通信设备由于元器件的差异，将具有不同的非线性特性，从而产生不同杂散成分，包括互调频率、谐波频率、寄生调制等。对这些杂散特征的提取是空间通信目标个体识别的主要依据之一。调制参数的个体差异由于采用的元器件不同，不同空间通信设备的调制参数将产生细微的差异(如PSK信号的码速率等)。利用特征提取的分析方法实现个体识别，多数是从概念上和局部特征进行研究，由于难度较大，尚没有突出的研究成果。然而，暂态通信信号特征的实际应用存在较大困难，其主要原因在于暂态信号持续时间极短，在非协作通信中信号定位困难，而且暂态信号与噪声的相似性使得特征提取十分困难。传统意义上的通信目标调制样式识别，空间通信目标个体识别需要对监测到的射频信号细微特征进行特征提取和分类。然而这些信号细微特征差异附着在实际通信信号上，在实际复杂信号环境下不易监测。在实际空间通信目标识别过程中，利用暂态信号特征进行个体识别面临信号捕捉和特征提取的难题。信号个体特征提取是在多种不同的变换域(时域、频域、高阶谱域等)对数字信号进行变换，提取能够反映目标个体本质的特征，并将所得的多维信号特征进行融合，得到适合分类的空间目标个体特征；分类识别过程是通过现代机器学习算法等在特征空间中把被识别目标划归为某一类特定的个体；可以根据信号的波形进行分类，实现对信号调制方式的识别。对信号的属性进行分类，比如根据电路和电源对信号的无意调制，对不同平台发射的信号进行分类，实现辐射源个体识别。而在工程实践中，可能采集到的有效信号数量有限，且对采集到的信号进行解码判断后打上标签，十分耗时费力，往往难以获得大量有效的样本数据，通常只有少量的有标签数据作为训练集，最终的分类识别准确率较低。