一种基于生成对抗网络的无线电数据增扩与分类方法技术

本发明专利技术公开了一种基于生成对抗网络的无线电数据增扩与分类方法，利用GAN捕获样本数据分布，生成具有原始数据分布特征的高质量“伪造”数据，从而解决获取无线调制数据困难与成本较高的问题；优化了调制数据分类模型，提出了调制分类模型AMCST，提高了调制数据的分类准确率。通过在公共数据集上的实验，证明了所提出的数据增扩方法可以极大地提高调制分类模型AMCST分类准确率。在未来的工作中，本发明专利技术将研究其他深度学习模型，如变分自编码器及其变种，在调制数据增扩领域的应用。在调制数据增扩领域的应用。在调制数据增扩领域的应用。

【技术实现步骤摘要】
一种基于生成对抗网络的无线电数据增扩与分类方法


[0001]本专利技术涉及无线电
，尤其涉及一种基于生成对抗网络的无线电数据增扩与分类方法。

技术介绍

[0002]在无线通信领域,稀缺且即将耗尽的频谱资源以及已分配但未充分利用的频谱资源使用现状推动了人们在认知无线电领域的研究。无线电调制数据识别作为认知无线电领域不可或缺的重要组成部分，其可以正确识别无线调制数据的调制类别，为数据解调、内容提取等后续工作提供保障，进而提高无线信道利用率，使数据在无线信道的传输更加可靠与稳定。因此，如何提高无线电调制数据分类准确率，吸引了众多研究学者的目光。
[0003]从传统依靠专业通信人员的经验识别无线电数据调制方式[1]，到使用简单的特征参数与多特征融合的调制方式自动识别，人们已经在调制方式自动识别领域取得了良好的成绩。但这些算法往往包含复杂的无线电数据多特征提取与多特征融合，并且在信噪比较低情况下不能获得较理想的调制分类识别率[2]。
[0004]随着深度学习在自然语言处理、图像识别等领域的广泛应用。近年来，诸多学者热衷于将深度学习技术引入到无线电调制数据的识别领域。相比于传统的无线电调制数据识别，基于深度学习的调制识别算法在数据特征提取方面具有学习能力强、覆盖范围广及适应性好的特点，可以通过优化参数获取更好的模型性能。关于无线电调制数据的分类算法研究，诸多研究学者简单地将卷积神经网络(Convolutional Neural Networks，CNN)与长短期记忆网络(Long Short
‑r/>Term Memory，LSTM)等深度学习模型引入到调制数据分类识别算法中，这样可以提高无线电调制数据分类的性能。然而其未充分综合考虑无线电数据采样特点，无法实现同时对无线电调制数据空域特征与时序特征的捕获，且此类方法需要大量的无线电调制样本数据，这极大的限制了调制数据分类模型的性能。
[0005]虽然基于深度学习的方法可以有效提高无线电调制数据分类的性能，但它需要大量的无线电调制样本数据，此外无线电调制数据的质量也会影响调制分类模型的性能。在实践中，收集大量可靠的无线电调制样本数据有时是昂贵和困难的，这吸引了众多学者将目光投向无线电调制数据领域的增扩。关于无线电调制数据的增扩，研究学者主要通过以下两种方式完成。
①
将传统的图片数据、文本数据等内容数据的增扩方式迁移至无线电调制数据增扩领域；
②
充分利用变分自编码器、生成对抗网络及其变种等方式实现无线电调制数据的增扩。但多种类别调制数据的特征分布差异给提高这类模型的性能带来了挑战。

技术实现思路

[0006]本专利技术的目的是要提供一种基于生成对抗网络的无线电数据增扩与分类方法。生成与原始数据分布特征相同的“伪造”数据，达到对原始数据集增扩的目的；此外，基于无线电数据采样特点，提出了深刻捕获无线电数据空域特征与时域特征的调制分类模型AMCST，提高无线电调制数据分类准确率。
[0007]为达到上述目的，本专利技术是按照以下技术方案实施的：
[0008](1)调制数据增扩模型
[0009]设原始数据集中信噪比SNR为snr与无线电调制类型C为c的情况下无线电调制数据为其中k表示无线电调制数据的通道数量，|V|表示无线电调制数据的采样次数。数据增扩是利用生成对抗网络生成伪造数据F
(snr,c)
，将伪造数据F
(snr,c)
与真实数据M
(snr,c)
混合实现对本类别调制数据的增扩，其中此处的|
·
|运算表示获取输入数据集的数量。调整信噪比SNR与调制类型C的值，将选择的无线电调制数据放入数据增扩模型，实现选择数据的增扩，最终得到所有调制类别数据的增扩，即X＝{M,F}表示原始数据集与增扩数据集的聚合。
[0010](2)调制数据分类模型AMCST
[0011]无线电信号调制分类问题可以被看作是从无线电调制数据到不同调制类别的映射。通过选择分类结果中概率最大的输出，可以得到待估计样本数据的调制类别。
[0012]本专利技术的无线电调制分类模型AMCST，以增扩数据x∈X为输入，经调制分类模型ψ得到分类结果ψ(x)∈R
|C|
，其中|C|表示无线电调制数据的类别数。从ψ(x)中选择出最大数值所对应的调制类别即为调制分类模型ψ对输入数据x的预测调制类别。
[0013]本专利技术的有益效果是：
[0014]本专利技术是一种基于生成对抗网络的无线电数据增扩与分类方法，与现有技术相比，本专利技术具有如下技术效果：
[0015](1)基于无线电调制数据的特点，依托GAN模型在数据增强方面的能力，设计了能深刻捕获无线电数据分布特征的生成器与辨识器，生成无线电调制数据，实现无线电调制数据的增扩，为无线电调制数据识别分类做好铺垫。
[0016](2)分析与研究了无线电数据采样特点与无线电数据传统增强方式，设计了能深刻捕获无线电数据空域特征与时序特征的无线电数据分类模型AMCST。
[0017](3)利用公共数据集，验证了该数据增扩方法在生成无线电调制数据方面的有效性，提高了无线电调制信号的分类精度，为频谱异常检测、发射机识别与频谱感知等领域的研究打下基础。
附图说明
[0018]图1是本专利技术的模型结构图；
[0019]图2是本专利技术的调制数据增扩的生成对抗网络结构图；
[0020]图3是本专利技术的调制数据增扩模型；
[0021]图3中：(a)生成器模型图；(b)辨识器模型图；
[0022]图4是本专利技术的调制分类模型AMCST；
[0023]图5是本专利技术信噪比SNR为
‑
8DB，增扩规模为20％与100％的分类混淆矩阵；
[0024]图5中：(a)增扩规模为20％；(b)增扩规模为100％；
[0025]图6是本专利技术增扩规模为100％，模型训练损失图；
[0026]图6中：(a)基于CNN与LSTM的调制分类模型；(b)基于CNN的调制分类模型；
[0027]图7是本专利技术增扩规模为100％，信噪比为10DB与
‑
10DB的分类混淆矩阵；
[0028]图7中：(a)信噪比为1
‑
DB；(b)信噪比为
‑
10DB。
具体实施方式
[0029]下面结合附图以及具体实施例对本专利技术作进一步描述，在此专利技术的示意性实施例以及说明用来解释本专利技术，但并不作为对本专利技术的限定。
[0030]数据增扩是指基于给定的原始无线电调制数据M，设计生成对抗网络模型深刻捕获数据分布特征，生成“伪造”数据F，并按照指定的增扩规模S完成对原始数据集M的增扩，获取增扩数据集X＝{M,F}。
[0031]无线电调制分类是为获取从无线电调制数据x∈X到不同调制类别C的映射ψ。通过选择分类结果ψ(x)中最大数值所对应的类别，得到待估计样本数据x的调制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的无线电数据增扩方法，其特征在于：首先，利用生成对抗网络生成伪造数据，将伪造数据与真实数据混合实现对本类别调制数据的增扩；其次，调整信噪比与调制类型的值，将选择的无线电调制数据放入数据增扩模型，实现选择数据的增扩，最终得到所有调制类别数据的增扩。2.根据权利要求1所述的基于生成对抗网络的无线电数据增扩方法，其特征在于：所述生成对抗网络的网络结构包括生成器G和辨识器D两个神经网络模型；整体目标函数表达式V(D,G)如下公式(1)所示：生成器G以服从随机分布P
z
的数据z作为输入来生成“伪造”数据G(z)，并且尽可能保证G(z)服从于真实数据分布P
data
；辨识器D以真实数据m与生成的“伪造”数据G(z)为输入，用来估计输入数据来自真实数据M而不是生成器生成的“伪造”数据G(z)的概率；生成器G的目标是使自己生成的“伪造”数据G(z)在辨识器D上的判别结果D(G(z))和真实数据m在辨识器D上的判别结果D(m)尽可能一致，这两个模型相互对抗，辨识器D辨识数据来源的性能不断提升，生成器G为了成功欺骗辨识器，其生成数据的质量也逐渐趋近于真实数据分布P
data
，最终生成器G可以学到真实数据的分布；此时，将随机噪声输入生成器G便可以生成近似于真实数据分布P
data
的“伪造”数据，实现对无线电调制数据的增扩。3.根据权利要求2所述的基于生成对抗网络的无线电数据增扩方法，其特征在于：所述生成器由六个全连接层组成，依次分别为128个神经元的全连接层1个、256个神经元的全连接层3个、512个神经元的全连接层1个；其中Leaky ReLU函数与Batch Normalization函数作为各全连接层的激活函数与归一化处理函数。4.根据权利要求2所述的基于生成对抗网络的无线电数据增扩方法，其特征在于：所述辨识器由六个全连接层组成，前五个全连接层每层有512个神经元，最后一层仅包含一个神经元用来确定输入无线电调制数据的真假，为真表示输入数据来源于原始调制数据集，为假表示输入数据来源于生成器生成的“伪造”调制数据，最后一层全连接层的激活函数使用Sigmoid函数。5.一种基于生成对抗网络的无线电数据分类方法，其特征在于：基于无线电数据采样特点设计由CNN与LSTM构建的无线电调制数据分类模型AMCST；所述无线电调制数据分类模型AMCST包括CNN子结构、LSTM子结构和子结构混合；其中CNN子结构用于捕获无线电调制数据空域特征信息，LSTM子结构用于捕获无线电调制数据时序特征信息，子结构混合模块将前述两个子模块结果汇合，综合度量空域特征信息与时序特征信息得到输入样本数据的预测调制分类结果。6.根据权利要求5所述的基于生成对抗网络的无线电数据分类方法，其特征在于：所述CNN子结构的前向计算方式定义为：首先令h0＝x，即设置第0层的特征图为无线电调制数据x；之后利用公式(2)卷积计算公式进行卷积操作：
其中h
i
表示第i层的特征图；W
i
表示卷积神经网络第i层的卷积核；b
i
表示特征图h
i
的偏置量；表示卷积操作；经过上述卷积神经网络，提取到无线电调制数据的空域信息h
raw_cnn
，之后经过两层全连接层进一步提取特征信息得到CNN子结构最终的特征提取信息h
cnn
；其中表示第l层全连接层的输出空域特征提取结果，表示第l层全连接层的参数权重矩阵，表示第l
‑
1层全连接层的空域特征提取结果，被初始化为h
raw_cnn
，表示第l层全连接层的偏置量。7.根据权利要求5所述的基于生成对抗网络的无线电数据分类方法，其特征在于：所述LSTM子结构前向计算方法定义为：i
j
＝σ(W
i
·
[h
j
‑1,x
j
]+b<...

【专利技术属性】
技术研发人员：王瑞锦，张凤荔，周世杰，周志远，张志扬，黄鑫，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：