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：