[发明专利]一种基于ACGAN的小样本无线电信号增强识别方法

摘要

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。

主权项

1.一种基于ACGAN的小样本无线电信号增强识别方法，包括以下步骤：/n1)数据预处理；/n1.1)采集无线电信号作为样本数据：/n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；，共有十二种调制方式，每种调制方式的信噪比区间为-20db～30db；，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；/n1.2)转换样本格式，划分数据集：/n原始数据集为mat格式，先将其转化为npy数组格式；mat数据格式是Matlab默认保存的数据格式，在Python中，使用h5py库来读取mat文件；从数组的形状中删除单维度条目，并输出相应的训练集、测试集、验证集；训练数据和测试数据的比例为2：1，并按照测试数据和验证数据的比例为10：1划分样本数据，训练数据用于训练深度卷积网络的参数，测试数据用于测试分类器的性能；/n1.3)提取类别标签：/n对数据的类别进行onehot编码，获取对应的类别标签序列；/n2)基于生成式对抗网络的信号增强方法：/n2.1)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；/n2.2)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；/nS1.确定生成器、判别器的深度卷积网络的结构；/nAC-GAN将类标签作为条件信息和噪声一起输入生成器生成伪样本，判别器不仅需要判断每个样本的真假，还需要通过增加一个辅助分类器完成一个分类任务即预测样本类别；生成器利用两个输入，相应的类标签C～PC以及随机噪音Z生成数据Xfake＝G(c,z)；判别器需判断真实数据上的概率分布P(S|X)以及类标签上的概率分布P(C|X)；ACGAN的目标函数有两部分：数据是否真实的代价函数LS和数据分类准确度的代价函数LC；在训练过程中，判别器D希望能最大化LC+LS，而生成器G希望最大化LC—LS；/n生成器G的网络结构输入一个一维长度为100的噪声向量，dense构建网络层后进行Reshape操作；生成器的卷积层代替了卷积神经网络的池化层和输出的全连接层，利用卷积层进行上采样，最后生成[32,32,1]的伪造图像；反卷积神经网络中间添加的BatchNormalization层，可对数据进行归一化，进而提高模型训练的收敛速度及稳定性，防止生成器G收敛到相同的样本；为了更好的解码生成器G伪造的图像，判别器D采用与生成器G对称的形式；与其他GAN模型不同的是，ACGAN的判别器在输出层分别对样本来源进行判断并对样本类型进行分类，可以理解为两个深度神经网络分类模型，并且模型共享结构和参数；/nS2.用不同的小随机数初始化网络中待训练的参数；/nS3.将步骤1)所划分的训练数据输入所述深度卷积网络，直到到达所设定的最大迭代次数；/n设置100维随机均匀分布的噪声和自定义的12维onehot标签传入训练好的网络，生成对应类别的图片；/n3)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；/n无线电信号在时域上具有前后相关性和时序连续性，本发明使用与样本集具有相同特征的LSTM网络作为实验的网络结构；识别实验的网络结构由两层LSTM及两层全连接输出层搭建；将512*2的信号作为输入序列传入LSTM层中，设置Dropout为0.8以防实验过拟合，全连接层使用SoftMax为激活函数对信号数据进行分类识别，训练过程的损失函数均使用交叉熵损失函数(categorical_crossentropy)，优化器使用adam。/n