一种基于残差生成对抗网络的调制识别方法技术

本公开实施例是关于一种基于残差生成对抗网络的调制识别方法。该基于残差生成对抗网络的调制识别方法包括：通过卷积神经网络作为生成器网络生成高质量的数据扩充数据集，由新残差单元组成的残差网络作为判别器网络并执行梯度下降训练；所述判别器的输出结果反馈至所述生成器和所述判别器并分别执行梯度下降训练。本公开实施例生成器网络先学习不同分布域数据的特征信息，通过噪声生成高质量的数据来扩充数据集，再由新残差单元组成的残差网络作为判别网络，有效提升了网络的特征提取能力，更好的区分相似信号；在小样本条件下识别准确率显著提升、模型收敛速度加快，方法复杂度明显降低。度明显降低。度明显降低。

【技术实现步骤摘要】
一种基于残差生成对抗网络的调制识别方法


[0001]本公开实施例涉及调制信号识别
，尤其涉及一种基于残差生成对抗网络的调制识别方法。

技术介绍

[0002]通信信号的自动调制分类识别(Automatic Modulation Classification,AMC)是认知无线电系统的关键技术之一，在非协作通信系统条件下，接收端在信号调制信息未知的情况下能否快速准确地判别接收信号的调制样式，是后续对信号进行解调的关键前提。复杂电磁环境下，AMC技术在战场侦察、信号参数估计和频谱监测等方面都发挥重要作用。
[0003]调制识别技术发展至今，无论是基于人工设计特征的传统方法还是基于深度学习的算法均已取得了丰硕的研究成果。传统调制识别方法依赖人工设计特征、可识别的信号种类较少、网络泛化能力较弱；而基于深度学习的调制识别算法往往需要利用大量的标签数据来梯度下降训练网络、算法复杂度较高。
[0004]因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
[0005]需要注意的是，本部分旨在为权利要求书中陈述的本公开的技术方案提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

技术实现思路

[0006]本公开实施例的目的在于提供一种基于残差生成对抗网络的调制识别方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
[0007]根据本公开实施例提供一种基于残差生成对抗网络的调制识别方法，包括：
[0008]通过卷积神经网络作为生成器网络生成高质量的数据扩充数据集，由新残差单元组成的残差网络作为判别器网络并执行梯度下降训练；
[0009]所述判别器的输出结果反馈至所述生成器和所述判别器并分别执行梯度下降训练。
[0010]本公开的一实施例中，所述生成器输入为噪声，输出为生成数据，所述判别器输入为无标签真实数据、有标签真实数据和所述生成数据，输出为真假分类器判定所述生成数据与所述无标签真实数据、所述有标签真实数据的相似度，类别分类器判定所述生成数据与所述无标签真实数据、所述有标签真实数据的类别属性。
[0011]本公开的一实施例中，所述梯度下降训练采用交替迭代的方法进行梯度下降训练，梯度下降训练所述生成器和所述判别器一方，固定另一方的网络模型和权重。
[0012]本公开的一实施例中，所述新残差单元以Leakyrelu作为隐藏层激活函数，所述Leakyrelu的公式为：
[0013][0014]其中，a为(0,1)之间的一个常数，x代表输入数据；
[0015]所述新残差单元的结构表达式为：
[0016][0017]其中，H(
·
)代表直接映射，F(
·
)代表残差部分，f(
·
)代表激活函数，W
l
代表卷积操作；
[0018]预设L个所述新残差单元，则所述新残差单元的结构表达式变为：
[0019][0020]根据所述梯度下降训练中使用导数的链式法则，损失函数ε关于x
i
的梯度可以表示为：
[0021][0022]其中，x
i
为输入数据。
[0023]本公开的一实施例中，在整个所述梯度下降训练过程中不会一直为
‑
1，即在所述梯度下降训练过程中不会出现梯度消失的问题，表示L层的梯度直接传递到任何一个比它浅的l层。
[0024]本公开的一实施例中，结合所述网络的输入输出结构和所述损失函数，将目标函数修改为有监督学习和无监督学习两部分，所述监督学习使用标签数据(x
i
,y
i
)和多元交叉熵损失函数进行计算，所述无监督学习利用所述生成器生成的生成数据(x'
i
,1)或(x'
i
,0)和二元交叉熵损失函数进行计算，其中，0代表虚假数据，1代表真实数据，所述判别器的输出层激活函数分别使用Sigmoid函数和Softmax函数。
[0025]本公开的一实施例中，所述Sigmoid函数输出一个0
‑
1之间的数，越接近于1代表判别结果越接近于真实数据，越接近于0代表判别结果越接近于虚假数据，所述Softmax函数输出一个K维向量{l1,l2,l3...l
K
}，转化成概率为：
[0026][0027]其中，p
model
(y＝j|x)代表网络将x预测为第j维向量的概率，概率最大值的那一维向量即为数据的标签属性。
[0028]本公开的一实施例中，简化所述梯度下降训练的复杂度，根据判定数据的真假性，第K+1维向量被判定为前K个向量中的任意一个类别，则所述损失函数表达如式为：
[0029][0030]其中，L
supervised
代表监督学习的损失函数，L
unsupervised
代表无监督学习的损失函数，D'代表D映射的可微函数，E是求期望，l表示标签数据被判定为第j维向量(j＝1,...,K)，m表示无标签数据被判定为第K+1维向量，n表示生成的生成数据被判定真实数据；
[0031]目标函数为最小化L
loss
，输入数据x服从x～c(x)分布，则所述目标函数为：
[0032][0033]其中l
j
(x)代表标签数据被判定为正确的类别，l
K+1
(x)代表生成数据被判定为真实数据。
[0034]本公开的一实施例中，所述新残差单元设置预设层非对称卷积结构，所述生成器网络设置预设层卷积结构，所述判别器网络设置预设个所述新残差单元。
[0035]本公开的一实施例中，所述新残差单元、所述生成器网络和所述判别器网络分别去除了批量归一化层和池化层，添加零填充层并且采用步幅为1的非对称递减小卷积核。
[0036]本公开的实施例提供的技术方案可以包括以下有益效果：
[0037]本公开的实施例中，通过上述方法，生成器网络先学习不同分布域数据的特征信息，通过噪声生成高质量的生成数据来扩充数据集，再由新残差单元组成的残差网络作为判别网络，有效提升了网络的特征提取能力，更好的区分相似信号；在小样本条件下识别准确率显著提升、模型收敛速度加快，方法复杂度明显降低。
附图说明
[0038]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]图1示出本公开示例性实施例中残差生成对抗网络识别方法流程图；
[0040]图2示出本公开示例性实施例中残差生成对抗网络结构示意图；
[0041]图3示出本公开示例性实施例中新残差单元网络结构示意图；
[0042]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差生成对抗网络的调制识别方法，其特征在于，包括：通过卷积神经网络作为生成器网络生成高质量的数据扩充数据集，由新残差单元组成的残差网络作为判别器网络并执行梯度下降训练；所述判别器的输出结果反馈至所述生成器和所述判别器并分别执行梯度下降训练。2.根据权利要求1所述基于残差生成对抗网络的调制识别方法，其特征在于，所述生成器输入为噪声，输出为生成数据，所述判别器输入为无标签真实数据、有标签真实数据和所述生成数据，输出为真假分类器判定所述生成数据与所述无标签真实数据、所述有标签真实数据的相似度，类别分类器判定所述生成数据与所述无标签真实数据、所述有标签真实数据的类别属性。3.根据权利要求1所述基于残差生成对抗网络的调制识别方法，其特征在于，所述梯度下降训练采用交替迭代的方法进行梯度下降训练，梯度下降训练所述生成器和所述判别器一方，固定另一方的网络模型和权重。4.根据权利要求1所述基于残差生成对抗网络的调制识别方法，其特征在于，所述新残差单元以Leakyrelu作为隐藏层激活函数，所述Leakyrelu的公式为：其中，a为(0,1)之间的一个常数，x代表输入数据；所述新残差单元的结构表达式为：其中，H(
·
)代表直接映射，F(
·
)代表残差部分，f(
·
)代表激活函数，W
l
代表卷积操作；预设L个所述新残差单元，则所述新残差单元的结构表达式变为：根据所述梯度下降训练中使用导数的链式法则，损失函数ε关于x
i
的梯度表示为：其中，x
i
为输入数据。5.根据权利要求4所述基于残差生成对抗网络的调制识别方法，其特征在于，在整个所述梯度下降训练过程中不会一直为
‑
1，即在所述梯度下降训练过程中不会出现梯度消失的问题，表示L层的梯度直接传递到任何一个比它浅的l层。6.根据权利要求5所述基于残差生成对抗网络的调制识别方法，其特征在于，结合所述网络的输入输出结构和所述损失函数，将目标函数修改为有监督学习和无监督学习两部分，所述监督学习使用标签数据(x
i
,y
i
)和多元交叉熵损失函数进行计算，所述无监督...

【专利技术属性】
技术研发人员：秦博伟，蒋磊，许华，齐子森，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：