【技术实现步骤摘要】
Normalize归一化的目的是确保二维卷积层Conv2D的输出不会分布在下一层激活函数的饱和区,避免训练网络时出现梯度消散。经过Batch Normalize归一化后的二维卷积层Conv2D的输出继续输入到ReLU激活函数中,ReLU激活函数是一种非线性变换,可以增强特征提取模块的特征提取能力。相比于其他激活函数(sigmoid函数、tanh函数等),ReLU激活函数可以克服梯度消失的情况,有助于网络更快收敛;最后一个卷积模块的输出采用一个尺寸为1
×
3的二维平均池化层Avg_pool2D对卷积模块得到的特征进行降维,以降低运算量和防止网络过度拟合;Flatten层作为整个特征提取模块到识别模块中全连接层的过渡,将输出的多维特征一维序列化;整个特征提取模块输入数据维度为1
×2×
4096,输出特征维度为1
×
65536;
[0014]S2.2构造识别模块,识别模块由两个全连接层组成,输入特征维度为1
×
65536,输出特征维度为1
×
M,M为需要分类的调制信号类别,M≥2;识别模块的输出为信号样本属于哪一类的识别概率,概率最高的即为网络识别出的调制信号类别。
[0015]将特征提取模块与识别模块串联即可得到调制识别网络,随机初始化调制识别网络的权重参数,后续在网络训练环节通过选择合适的优化算法(常用优化算法有Adam算法、SGD算法和RMSprop算法等)求解调制识别网络的最优参数θ
optimal
。
[0016]S3训练调制 ...
【技术保护点】
【技术特征摘要】
1.一种基于频率选择的对抗样本信号波形生成方法,其特征在于,该方法分为以下步骤:S1数据预处理与数据集构建获取调制信号,然后对调制信号进行下变频和滤波预处理得到复基带信号s
i
(k),k=1,...,K,K为单个复基带信号的采样点数,i=1,2,N,N表示信号样本个数;分别提取复基带信号的实部和虚部,得到信号样本的IQ特征,将信号样本的IQ特征用如下矩阵表示:所有信号样本的IQ特征可以表示为N个维度为2
×
K的实数矩阵,每个信号样本对应的调制类型用数字l
i
∈{1,2,...,M}打上标签,信号样本和标签共同构成数据集D;将数据集D划分为训练集D
train
和验证集D
valid
,用于后续训练调制识别网络;S2构造调制识别网络S2.1构造特征提取模块,特征提取模块由4个卷积模块、1个二维平均池化层Avg_pool2D和1个flatten层串联组成;第一个卷积模块由1个二维卷积层Conv2D组成,卷积核的尺寸kernel_size=1
×
3,卷积层中卷积核个数filters=64;第二至第四个卷积模块均由四个二维卷积层Conv2D组成,每个卷积模块的卷积核个数filters依次为64、128、512、256,卷积核尺寸kernel_size=3
×
3;每个二维卷积层Conv2D的卷积核步进stride=1,补零策略为Padding=1;每个二维卷积层Conv2D的输出均经过Batch Normalize归一化;经过Batch Normalize归一化后的二维卷积层Conv2D的输出继续输入到ReLU激活函数中;最后一个卷积模块的输出采用一个尺寸为1
×
3的二维平均池化层Avg_pool2D对卷积模块得到的特征进行降维,以降低运算量和防止网络过度拟合;Flatten层作为整个特征提取模块到识别模块中全连接层的过渡,将输出的多维特征一维序列化;整个特征提取模块输入数据维度为1
×2×
4096,输出特征维度为1
×
65536;S2.2构造识别模块,识别模块由两个全连接层组成,输入特征维度为1
×
65536,输出特征维度为1
×
M,M为需要分类的调制信号类别,M≥2;识别模块的输出为信号样本属于哪一类的识别概率,概率最高的即为网络识别出的调制信号类别;将特征提取模块与识别模块串联即可得到调制识别网络,随机初始化调制识别网络的权重参数;S3训练调制识别网络S3.1初始化训练配置:初始化学习率lr、训练次数上限epoch、训练等待次数上限patience,初始化训练等待次数p=0,初始的验证损失S3.2特征提取,将S1中属于训练集D
train
的信号样本的IQ特征输入到调制识别网络的特征提取模块中进行信号特征的自动提取,特征提取模块输出维度为1
×
65536的特征F[x
i
(k)],F表示特征提取模块;S3.3计算识别结果,将S3.2得到的特征F[x
i
(k)]输入识别模块,输出维度为M的识别概率向量p
i
(m)表示第i个信号样本属于第m类的概率;取概率向量最大值的位
置I
i
∈{1,2,...,M}即为对信号s
i
(k)的调制识别结果;S3.4计算训练损失,将I
i
与数据标签l
i
进行比对得到向量y
i
:定义损失函数L,将p
i
(m)与y
i
送入损失函数计算训练损失L
train
;S3.5网络权重更新,选择Adam算法更新网络权重参数θ,使S3.4中的训练损失L
train
下降,从而得到更新后的调制识别网络;S3.6计算验证损失,将验证集D
train
输入更新后的调制识别网络,按照S3.2~S3.3的步骤计算调制识别结果I
i
,再根据S3.4定义的损失函数L计算验证损失其中t代表训练次数;S3.7保...
【专利技术属性】
技术研发人员:王翔,柯达,黄知涛,孙丽婷,赵雨睿,邓文,文泰来,李保国,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。