[發明專利]基于無線電信號融合的數據增強方法及系統

在審

• 申請號: 202110467591.3
• 申請日: 2021-04-28
• 公開（公告）號: CN113516027A
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 宣琦;徐鑫杰;崔慧
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵

1.一種基于無線電信號融合的數據增強方法，其特征在于：包括如下步驟：

S1：數據集預處理及深度學習模型預訓練；

S2：基于無線電信號融合的數據增強方法；

S3：利用數據增強方法生成并篩選出擴增數據集；

S4：測試增強前后的模型分類精度。

2.如權利要求1所述的一種基于無線電信號融合的數據增強方法，其特征在于：所述步驟S1具體包括：

S1.1：使用無線電信號作為數據集V，首先對數據集進行歸一化預處理，然后將不同類別的信號劃分到各自的子數據集{v₁，v₂，…，v_N}，其中N為數據集類別數量；

S1.2：用數據集V預訓練分類模型，該模型采用resnet模型，其中包括由一個1×1卷積、兩個殘差塊和一個最大池化層構成的殘差模塊以及兩個全連接層，并采用selu、softmax作為全連接層的激活函數，從而實現信號數據集的預分類。

3.如權利要求1所述的一種基于無線電信號融合的數據增強方法，其特征在于：所述步驟S2具體包括：

對于子數據集v_k＝(k＝1，2，…，N)中的任意兩個信號s，s’，其中s＝(s₁，s₂，s₃，…，s_L)為長度L的信號序列。選取信號s中的任意樣本點s_p(p∈{1，2，…，L})作為斷點，將斷點之后的信號序列(s_p+1，…，s_L-1，s_L)與(s_p+1’，…，s_L-1’，s_L’)互相交換位置，并且保持斷點之前的序列不變，那么生成的信號分別為(s₁，s₂，…，s_p，s_p+1’，…，s_L’)和(s₁’，s₂’，…，s_p’，s_p+1，…，s_L)。

4.如權利要求1所述的一種基于無線電信號融合的數據增強方法，其特征在于：所述步驟S3具體包括：

S3.1：對于每個子數據集v_k，把相似度S作為衡量指標，挑選其中的兩個相似樣本s，s’進行信號融合操作，以避免差異較大的樣本生成干擾項，影響模型穩定性，相似度S定義如下：

其中s_i為第i個樣本點，L為信號序列的長度；

S3.2：數據集擴增如下，選取一個合適的閾值Y用以判斷兩個樣本是否進行信號融合，隨機選取每個子數據集中的兩個無線電信號樣本，如果這兩個樣本計算所得相似度S≥Y，則進行該操作并保存樣本，如果SY，則放棄此次交換。將該過程在每個子數據集上迭代多次，直至生成m個新樣本；假設原數據集每個類別有M個樣本，那么合成的新樣本相當于把數據集增強了m/M倍，然后將所有m×N個新樣本合并至V中，所得的增強數據集DV＝(N*(m+M),L)。

5.如權利要求1所述的一種基于無線電信號融合的數據增強方法，其特征在于：所述步驟S4具體包括：

將擴增的數據集DV放入神經網絡中重新訓練，使用相同的測試數據集測試模型，比較增強前后的精度，驗證該方法的有效性。

6.實現權利要求1所述的一種基于無線電信號融合的數據增強方法的系統，包括：模型預訓練模塊、信號融合模塊、數據篩選模塊、模型測試模塊；

所述的模型預訓練模塊是在數據集歸一化預處理的前提下，將數據集放入深度學習模型訓練；

所述的信號融合模塊是一種面向信號的數據增強方法，具體包括：選取相同類別的信號樣本，設置一個斷點，然后把斷點之后的信號序列交換，同時保持斷點之前的序列不變，那么每兩個信號樣本就可以組合出兩個新的增強樣本；

所述的數據篩選模塊利用相似度函數選取待融合樣本，具體包括：根據閾值判斷兩個樣本之間是否適合進行數據增強，符合條件之后，將其融合以擴增原數據集，然后經過迭代，擴增出適量的增強數據集用以訓練深度學習模型；

所述的模型測試模塊用來測試增強前后的深度學習模型的泛化能力，具體包括：生成增強數據集后，將其放入深度學習模型訓練，然后測試該模型的精度，并與原模型的測試精度比較，驗證該方法的有效性；

所述的模型預訓練模塊、信號融合模塊、數據篩選模塊、模型測試模塊依次連接。