[发明专利]一种基于深度协同训练的数字调制信号识别方法

说明书

本发明属于深度学习技术领域，具体是涉及一种基于深度协同训练的数字调制信号识别方法。本传统的基于深度学习的数字调制信号识别方法需要大量有标记的数据样本进行训练。在实际通信活动中，仅容易获得大量未标记信号样本，获取人工标记成本高且效率低。本发明搭建了两个CLDNN网络进行协同训练，利用生成对抗实现视图的差异化，充分利用大量无标记样本辅助少量有标记样本下的学习，有效地提升了识别准确率，增强了深度学习在数字调制信号识别任务中的可行性和实用性。

技术领域

本发明属于深度学习技术领域，具体是涉及一种基于深度协同训练的数字调制信号识别方法。

背景技术

数字信号调制识别是无线通信领域的一项重要技术，其在民用和军事领域都有广泛的应用。数字信号调制识别的任务主要是在仅有少量先验信息或者在没有先验信息的条件下对信号的调制类型进行确认，是信号检测与解调之间的重要步骤。随着无线通信的快速发展，信号的调制方式变得多种多样，调制识别的代价也随之增加。

调制识别的方法一般可以分类两类：基于似然比的调制识别方法和基于特征的调制识别方法。基于似然比的调制识别方法能够在贝叶斯准则的意义下获得最优结果，但需要大量先验信息，且算法的复杂度高，对参数设置十分敏感，鲁棒性较差。基于特征的调制识别方法主要是利用已知的调制信号样本训练特征提取器，自动学习、提取信号特征，并根据提取的特征对未知的信号进行分类。常用的特征提取器有SVM、决策树、LSTM、CNN等。

现有的基于特征的调制识别方法，通常需要大量已知的有标记样本对特征提取器进行训练，得到最优特征提取器后再进行调制识别任务。在实际情况下，往往仅能获得大量无标记样本，有标记样本的获取十分困难且成本高昂。一般的基于特征的调制识别方法没有充分利用大量的无标记样本。所以，如何充分利用大量无标记样本实现在少量有标记样本下的数字信号调制识别，便成为无线电调制识别领域亟待解决的问题。

发明内容

为解决现有技术的不足，本发明提出了一种基于深度协同训练的数字信号调制识别方法。本发明的核心主要分为四个部分：一是对已知的信号数据进行预处理，实现数据的扩充；二是通过生成对抗算法生成对抗样本；三是利用对抗样本完成协同训练；四是基于训练完成的特征提取器完成对未知调制信号的类型确认。

本发明的技术方案为：

一种基于深度协同训练的数字调制信号识别方法，如图1所示，所述识别包括以下步骤：

S1、获取数字调制信号数据及标注，记为数据集D，对数据集D进行预处理，包括：划分数据集，包括有标记数据集S和无标记数据集U，有标记数据集记为无标记数据集记为且D＝S∪U且M＜＜N，x为有标记数据，y为x对应的标记，x_u为无标记数据，M为有标记数据集数量，N为无标记数据集数量；对有标记数据集进行扩充；

S2、构建识别网络，包括两个结构相同的CLDNN网络，如图2所示，CLDNN网络包括卷积部分、LSTM层及两个全连接层构成；卷积部分包括三个卷积块，每个卷积块由一个卷积层、一个批归一化层和一个ReLU激活函数，每两个卷积块之间有一个核大小为2的均匀池化层；将两个CLDNN网络作为特征提取器，分别记为f₁(·)和f₂(·)，采用步骤S1获得的数据集对识别网络进行协同训练，所述协同训练具体为：

采用生成对抗算法根据数据集D生成对抗样本数据集D′，D′＝{g(x)|x∈D}，g(·)为生成对抗算法；两个CLDNN网络在有标记数据集S上的交叉熵损失为：

L_sup＝H(y，f₁(x))+H(y，f₂(x))

其中H(·)为交叉熵损失函数；

两个CLDNN网络在无标记数据集D上的JS散度损失为：