[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

本發明公開了一種基于無線電信號融合的數據增強方法，包括：(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。本發明還包括種基于無線電信號融合的數據增強系統，由模型預訓練模塊、信號融合模塊、數據篩選模塊和模型測試模塊組成；本發明可以根據無線電信號的片段互換生成大量的增強樣本，然后與原數據集結合來訓練深度學習模型，從而提升模型的泛化能力。

技術領域

本發明涉及一種數據增強方法，主要應用在深度學習模型的數據增強領域，具體涉及一種基于無線電信號融合的數據增強方法及系統。

背景技術

隨著神經網絡的發展，深度學習模型逐漸從簡單的全連接層步入超大規模的神經網絡，但這些網絡通常需要大量的訓練數據才能避免過擬合。然而許多應用場景無法獲得充足的數據來支撐龐大的網絡模型，因此，數據增強技術應運而生，它通過有限的數據生成更多的等價數據來擴充數據集，以此來提高訓練集的大小與質量，從而構建更加精確、魯棒的深度學習模型。

在無線通信中，調制信息在標準通信場景的發射機和接收機之間是共享的，但是在特定場景下，如軍事領域，接收端在不知道發送端使用何種調制方式的情況下，只能通過自動調制分類方案對調制信號進行盲解調。因此，近年來，基于深度學習模型的無線電信號識別也逐漸展開研究，并且表現出良好的分類性能。但一個性能良好的模型往往需要大量的訓練樣本，然而，收集大量高質量和可靠的無線電樣本有時是比較困難的。如何從已有標簽的數據中快速增強數據，是本發明解決問題的主要動機。

目前，在信號領域的數據增強方法已有申請號為201910694936.1的專利所公開的技術方案，一種基于ACGAN的小樣本無線電信號增強識別方法。該方法首先通過長短期記憶網絡(Long Short Term Memory,LSTM)網絡對無線電信號進行分類，進一步的使用輔助式生成對抗網絡(Auxiliary Classifier Generative Adversarial Networks,ACGAN)生成數據擴充小樣本數據集，進而增強識別模型，完成小樣本無線電信號增強識別。該項技術應用于無線電信號數據增強技術，然而ACGAN的訓練很不穩定，往往需要大量的訓練技巧。本項專利技術高效易行，提出了一種基于無線電信號融合的數據增強方法，通過挑選數據中的樣本來進行融合，從而實現數據增強，提升模型的分類精度。

發明內容

為了處理現有技術的數據量有限的問題，在分類模型中進一步提高模型精度與魯棒性，本發明提供了一種基于無線電信號融合的數據增強方法，并通過實驗驗證了本方法提出的增強識別方法的有效性和普適性，對于不同大小的數據集均可以進行有效擴充，從而提升模型精度，進一步提高模型的泛化能力。

本發明的技術構思為：本發明的適用對象是具有時序性的數據，通過提到的數據融合方法對數據集進行有效擴增，減少收集訓練樣本的成本，進而為神經網絡模型提供更加充分的訓練樣本。實驗結果證實了本發明所提出的方法的可行性和有效性。

本發明實現上述發明目的所采用的技術方案如下：

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；

優選的，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；