基于无线电信号融合的数据增强方法及系统技术方案

本发明专利技术公开了一种基于无线电信号融合的数据增强方法，包括：(S1)：数据集预处理及深度学习模型预训练；(S2)：基于无线电信号融合的数据增强方法；(S3)：利用数据增强方法生成并筛选出扩增数据集；(S4)：测试增强前后的模型分类精度。本发明专利技术还包括种基于无线电信号融合的数据增强系统，由模型预训练模块、信号融合模块、数据筛选模块和模型测试模块组成；本发明专利技术可以根据无线电信号的片段互换生成大量的增强样本，然后与原数据集结合来训练深度学习模型，从而提升模型的泛化能力。从而提升模型的泛化能力。从而提升模型的泛化能力。

【技术实现步骤摘要】
基于无线电信号融合的数据增强方法及系统


[0001]本专利技术涉及一种数据增强方法，主要应用在深度学习模型的数据增强领域，具体涉及一种基于无线电信号融合的数据增强方法及系统。

技术介绍

[0002]随着神经网络的发展，深度学习模型逐渐从简单的全连接层步入超大规模的神经网络，但这些网络通常需要大量的训练数据才能避免过拟合。然而许多应用场景无法获得充足的数据来支撑庞大的网络模型，因此，数据增强技术应运而生，它通过有限的数据生成更多的等价数据来扩充数据集，以此来提高训练集的大小与质量，从而构建更加精确、鲁棒的深度学习模型。
[0003]在无线通信中，调制信息在标准通信场景的发射机和接收机之间是共享的，但是在特定场景下，如军事领域，接收端在不知道发送端使用何种调制方式的情况下，只能通过自动调制分类方案对调制信号进行盲解调。因此，近年来，基于深度学习模型的无线电信号识别也逐渐展开研究，并且表现出良好的分类性能。但一个性能良好的模型往往需要大量的训练样本，然而，收集大量高质量和可靠的无线电样本有时是比较困难的。如何从已有标签的数据中快速增强数据，是本专利技术解决问题的主要动机。
[0004]目前，在信号领域的数据增强方法已有申请号为201910694936.1的专利所公开的技术方案，一种基于ACGAN的小样本无线电信号增强识别方法。该方法首先通过长短期记忆网络(Long Short Term Memory,LSTM)网络对无线电信号进行分类，进一步的使用辅助式生成对抗网络(Auxiliary Classifier Generative Adversarial Networks,ACGAN)生成数据扩充小样本数据集，进而增强识别模型，完成小样本无线电信号增强识别。该项技术应用于无线电信号数据增强技术，然而ACGAN的训练很不稳定，往往需要大量的训练技巧。本项专利技术高效易行，提出了一种基于无线电信号融合的数据增强方法，通过挑选数据中的样本来进行融合，从而实现数据增强，提升模型的分类精度。

技术实现思路

[0005]为了处理现有技术的数据量有限的问题，在分类模型中进一步提高模型精度与鲁棒性，本专利技术提供了一种基于无线电信号融合的数据增强方法，并通过实验验证了本方法提出的增强识别方法的有效性和普适性，对于不同大小的数据集均可以进行有效扩充，从而提升模型精度，进一步提高模型的泛化能力。
[0006]本专利技术的技术构思为：本专利技术的适用对象是具有时序性的数据，通过提到的数据融合方法对数据集进行有效扩增，减少收集训练样本的成本，进而为神经网络模型提供更加充分的训练样本。实验结果证实了本专利技术所提出的方法的可行性和有效性。
[0007]本专利技术实现上述专利技术目的所采用的技术方案如下：
[0008]一种基于无线电信号融合的数据增强方法，其特征在于：包括如下步骤：
[0009]S1：数据集预处理及深度学习模型预训练；
[0010]S2：基于无线电信号融合的数据增强方法；
[0011]S3：利用数据增强方法生成并筛选出扩增数据集；
[0012]S4：测试增强前后的模型分类精度；
[0013]优选的，所述步骤S1具体包括：
[0014]S1.1：使用无线电信号作为数据集V，首先对数据集进行归一化预处理，然后将不同类别的信号划分到各自的子数据集{v1，v2，
…
，v
N
}，其中N为数据集类别数量；
[0015]S1.2：用数据集V预训练分类模型，该模型采用resnet模型，其中包括由一个1
×
1卷积、两个残差块和一个最大池化层构成的残差模块以及两个全连接层，并采用selu、softmax作为全连接层的激活函数，从而实现信号数据集的预分类。
[0016]优选的，所述步骤S2具体包括：
[0017]对于子数据集v
k
＝(k＝1，2，
…
，N)中的任意两个信号s，s
’
，其中s＝(s1，s2，s3，
…
，s
L
)为长度L的信号序列。选取信号s中的任意样本点s
p
(p∈{1，2，
…
，L})作为断点，将断点之后的信号序列(s
p+1
，
…
，s
L
‑1，s
L
)与(s
p+1
’
，
…
，s
L
‑1’
，s
L
’
)互相交换位置，并且保持断点之前的序列不变，那么生成的信号分别为(s1，s2，
…
，s
p
，s
p+1
’
，
…
，s
L
’
)和(s1’
，s2’
，
…
，s
p
’
，s
p+1
，
…
，s
L
)。
[0018]优选的，所述步骤S3具体包括：
[0019]S3.1：对于每个子数据集v
k
，把相似度S作为衡量指标，挑选其中的两个相似样本s，s
’
进行信号融合操作，以避免差异较大的样本生成干扰项，影响模型稳定性，相似度S定义如下：
[0020][0021]其中s
i
为第i个样本点，L为信号序列的长度；
[0022]S3.2：数据集扩增如下，选取一个合适的阈值Y用以判断两个样本是否进行信号融合，随机选取每个子数据集中的两个无线电信号样本，如果这两个样本计算所得相似度S≥Y，则进行该操作并保存样本，如果S<Y，则放弃此次交换。将该过程在每个子数据集上迭代多次，直至生成m个新样本；假设原数据集每个类别有M个样本，那么合成的新样本相当于把数据集增强了m/M倍，然后将所有m
×
N个新样本合并至V中，所得的增强数据集DV＝(N*(m+M),L)。
[0023]优选的，所述步骤S4具体包括：
[0024]将扩增的数据集DV放入神经网络中重新训练，使用相同的测试数据集测试模型，比较增强前后的精度，验证该方法的有效性。
[0025]实现本专利技术的一种基于无线电信号融合的数据增强方法的系统，包括：模型预训练模块、信号融合模块、数据筛选模块、模型测试模块；
[0026]所述的模型预训练模块是在数据集归一化预处理的前提下，将数据集放入深度学习模型训练；
[0027]所述的信号融合模块是一种面向信号的数据增强方法，具体包括：选取相同类别的信号样本，设置一个断点，然后把断点之后的信号序列交换，同时保持断点之前的序列不
变，那么每两个信号样本就可以组合出两个新的增强样本；
[0028]所述的数据筛选模块利用相似度函数选取待融合样本，具体包括：根据阈值判断两个样本之间是否适合进行数据增强，符本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无线电信号融合的数据增强方法，其特征在于：包括如下步骤：S1：数据集预处理及深度学习模型预训练；S2：基于无线电信号融合的数据增强方法；S3：利用数据增强方法生成并筛选出扩增数据集；S4：测试增强前后的模型分类精度。2.如权利要求1所述的一种基于无线电信号融合的数据增强方法，其特征在于：所述步骤S1具体包括：S1.1：使用无线电信号作为数据集V，首先对数据集进行归一化预处理，然后将不同类别的信号划分到各自的子数据集{v1，v2，
…
，v
N
}，其中N为数据集类别数量；S1.2：用数据集V预训练分类模型，该模型采用resnet模型，其中包括由一个1
×
1卷积、两个残差块和一个最大池化层构成的残差模块以及两个全连接层，并采用selu、softmax作为全连接层的激活函数，从而实现信号数据集的预分类。3.如权利要求1所述的一种基于无线电信号融合的数据增强方法，其特征在于：所述步骤S2具体包括：对于子数据集v
k
＝(k＝1，2，
…
，N)中的任意两个信号s，s
’
，其中s＝(s1，s2，s3，
…
，s
L
)为长度L的信号序列。选取信号s中的任意样本点s
p
(p∈{1，2，
…
，L})作为断点，将断点之后的信号序列(s
p+1
，
…
，s
L
‑1，s
L
)与(s
p+1
’
，
…
，s
L
‑1’
，s
L
’
)互相交换位置，并且保持断点之前的序列不变，那么生成的信号分别为(s1，s2，
…
，s
p
，s
p+1
’
，
…
，s
L
’
)和(s1’
，s2’
，
…
，s
p
’
，s
...

【专利技术属性】
技术研发人员：宣琦，徐鑫杰，崔慧，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：