[发明专利]一种基于ACGAN的小样本无线电信号增强识别方法在审
申请号: | 201910694936.1 | 申请日: | 2019-07-30 |
公开(公告)号: | CN110598530A | 公开(公告)日: | 2019-12-20 |
发明(设计)人: | 陈晋音;崔慧;郑海斌;陈壮志;宣琦 | 申请(专利权)人: | 浙江工业大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62 |
代理公司: | 33201 杭州天正专利事务所有限公司 | 代理人: | 王兵;黄美娟 |
地址: | 310014 浙*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
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。 | ||
搜索关键词: | 无线电信号 训练数据 卷积 网络 信号识别分类 数据预处理 测试数据 初始参数 类别标签 特征构建 网络提取 信号增强 验证数据 样本调整 样本格式 分类器 归一化 生成式 数据集 网络层 小样本 像素 对抗 分类 转换 | ||
【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
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201910694936.1/,转载请声明来源钻瓜专利网。