[發明專利]一種基于生成對抗網絡的調制信號時頻圖分類系統及其運行方法

有效

• 申請號: 201911389981.2
• 申請日: 2019-12-30
• 公開（公告）號: CN111178260B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 王洪君;楊曉飛;鄭慶河;王娜;許瑩;胡燕南;張德良
• 申請（專利權）人: 山東大學
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F18/213;G06F18/15;G06N3/0475;G06N3/047;G06N3/048;G06N3/094
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 許德山

本發明涉及一種基于生成對抗網絡的調制信號時頻圖分類系統及其運行方法，包括：IQ信號時頻圖變換模塊、生成器模塊、判別器模塊、輔助分類器模塊。IQ信號時頻圖變換模塊將原始信號轉換成信號短時傅里葉時頻圖的形式；生成器模塊將原始噪聲向量及其輸入的類別信息映射為相應的短時傅里葉時頻圖；判別器模塊接收真實圖片數據和由判別器產生的圖片數據，并輸出不同輸入的相對應的判別為真的置信概率；輔助分類器模塊接收經過卷積層提取的高維的特征圖并輸出其對應的類別信息。本方法用于解決訓練信號分類的深度神經網絡模型但數據集樣本數不足的問題。

技術領域

本發明涉及一種基于生成對抗網絡的調制信號時頻圖分類系統及其運行方法，屬于大數據與人工智能技術領域。

背景技術

近些年，伴隨著硬件級計算單元性能的飛速提升，深度學習也在各個不同的領域展現出了不可思議的能力，尤其是在圖像和自然語言處理的領域都取得了極好的效果。伴隨著各種新型網絡結構的提出，越來越多的學者嘗試將神經網絡模型應用到信號分析領域，對不同類型的調制信號進行分類。

眾所周知，神經網絡的訓練需要大量的數據集樣本作為支撐，即用大量的信號樣本對模型進行訓練和驗證。可是在許多場景下，信號采集需要耗費大量的人力物力，而且伴隨著空間電磁波的復雜化，信號采集的難度也越來越大，甚至在電子對抗等特殊場景下，根本無法進行有效的信號采集，而一旦沒有足夠的數據集，就無法訓練出有效的神經網絡分類模型，甚至會造成過擬合等問題，信號分類的效果也會大打折扣。

基于上述原因，采用基于生成對抗網絡的調制信號時頻圖數據集擴充分類方法，就顯得十分重要。

發明內容

針對當下普遍存在的訓練信號分類神經網絡數據集不足以及無法深層次挖掘信號特征的問題，本發明提供了一種基于生成對抗網絡的調制信號時頻圖分類系統及其運行方法，從而實現訓練具有一定魯棒性的神經網絡分類模型，為從事相關研究的研究人員提供了方便快捷的挖掘深層次信號特征和數據集擴充方法。

本發明基于Pytorch深度學習框架以及通信原理的相關技術，結合如今流行的深度學習技術和傅立葉變換相關技術，實現了通信信號分類數據集的擴充，一定程度上提高了神經網絡在信號分類方面的準確率和魯棒性。

術語解釋：

1、短時傅里葉變換，短時傅里葉變換是和傅里葉變換相關的一種數學變換，用以確定時變信號其局部區域正弦波的頻率和相位，其主要用于分析非平穩信號，非平穩信號由于波形特性變化沒有規律，不能直接使用傅里葉變換，因此，對信號加窗使信號平穩化，便可對加窗分段信號一段段使用傅里葉變換得到分段頻譜圖，此為短時傅里葉變換的基本解釋。

2、時頻圖，時頻圖指的是對信號進行短時傅里葉變換所產生的信號譜圖，因為其可同時包含時頻兩域的信息而得名，時頻圖包含了關于調制信號的豐富的信息，可以作為信號分類的依據。

3、信號短時傅里葉圖，信號短時傅里葉圖即為時頻圖，時頻圖為信號短時傅里葉圖簡稱。

4、批歸一化，批歸一化就是在網絡的每一層輸入之前做了一個歸一化處理，是深度網絡中經常用到的加速神經網絡訓練，加速網絡收斂速度以及穩定性的算法，是目前訓練深度網絡不可少的一部分。

5、IQ原始調制信號，即同相正交信號，是將信源數據分為兩路，分別進行載波調制而產生的調制信號，兩路載波具有相互正交的特性。

6、特征圖，特征圖指的是在神經網絡的網絡層之間流動的輸入輸出張量數據，經過不同的網絡層所得到的高維數據矩陣統稱為特征圖。

7、卷積層，卷積層指的是卷積神經網絡中的一層，由若干卷積單元組成，每個卷積單元的參數都是通過反向傳播算法最佳化得到的。卷積運算的目的是提取輸入的不同特征，第一層卷積層可能只能提取一些低級的特征如邊緣、線條和角等層級，更多層的網絡能從低級特征中迭代提取更復雜的特征。