[發明專利]一種基于生成對抗網絡的無線電數據增擴與分類方法

有效

• 申請號: 202111589637.5
• 申請日: 2021-12-23
• 公開（公告）號: CN114244456B
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 王瑞錦;張鳳荔;周世杰;周志遠;張志揚;黃鑫
• 申請（專利權）人: 電子科技大學
• 主分類號: H04B17/336
• 分類號: H04B17/336;G06N3/04;G06V10/764;G06V10/82
• 代理公司: 成都眾恒智合專利代理事務所(普通合伙) 51239
• 代理人: 楊佳麗

本發明公開了一種基于生成對抗網絡的無線電數據增擴與分類方法，利用GAN捕獲樣本數據分布，生成具有原始數據分布特征的高質量“偽造”數據，從而解決獲取無線調制數據困難與成本較高的問題；優化了調制數據分類模型，提出了調制分類模型AMCST，提高了調制數據的分類準確率。通過在公共數據集上的實驗，證明了所提出的數據增擴方法可以極大地提高調制分類模型AMCST分類準確率。在未來的工作中，本發明將研究其他深度學習模型，如變分自編碼器及其變種，在調制數據增擴領域的應用。

技術領域

本發明涉及無線電技術領域，尤其涉及一種基于生成對抗網絡的無線電數據增擴與分類方法。

背景技術

在無線通信領域,稀缺且即將耗盡的頻譜資源以及已分配但未充分利用的頻譜資源使用現狀推動了人們在認知無線電領域的研究。無線電調制數據識別作為認知無線電領域不可或缺的重要組成部分，其可以正確識別無線調制數據的調制類別，為數據解調、內容提取等后續工作提供保障，進而提高無線信道利用率，使數據在無線信道的傳輸更加可靠與穩定。因此，如何提高無線電調制數據分類準確率，吸引了眾多研究學者的目光。

從傳統依靠專業通信人員的經驗識別無線電數據調制方式[1]，到使用簡單的特征參數與多特征融合的調制方式自動識別，人們已經在調制方式自動識別領域取得了良好的成績。但這些算法往往包含復雜的無線電數據多特征提取與多特征融合，并且在信噪比較低情況下不能獲得較理想的調制分類識別率[2]。

隨著深度學習在自然語言處理、圖像識別等領域的廣泛應用。近年來，諸多學者熱衷于將深度學習技術引入到無線電調制數據的識別領域。相比于傳統的無線電調制數據識別，基于深度學習的調制識別算法在數據特征提取方面具有學習能力強、覆蓋范圍廣及適應性好的特點，可以通過優化參數獲取更好的模型性能。關于無線電調制數據的分類算法研究，諸多研究學者簡單地將卷積神經網絡(Convolutional Neural Networks，CNN)與長短期記憶網絡(Long Short-Term Memory，LSTM)等深度學習模型引入到調制數據分類識別算法中，這樣可以提高無線電調制數據分類的性能。然而其未充分綜合考慮無線電數據采樣特點，無法實現同時對無線電調制數據空域特征與時序特征的捕獲，且此類方法需要大量的無線電調制樣本數據，這極大的限制了調制數據分類模型的性能。

雖然基于深度學習的方法可以有效提高無線電調制數據分類的性能，但它需要大量的無線電調制樣本數據，此外無線電調制數據的質量也會影響調制分類模型的性能。在實踐中，收集大量可靠的無線電調制樣本數據有時是昂貴和困難的，這吸引了眾多學者將目光投向無線電調制數據領域的增擴。關于無線電調制數據的增擴，研究學者主要通過以下兩種方式完成。①將傳統的圖片數據、文本數據等內容數據的增擴方式遷移至無線電調制數據增擴領域；②充分利用變分自編碼器、生成對抗網絡及其變種等方式實現無線電調制數據的增擴。但多種類別調制數據的特征分布差異給提高這類模型的性能帶來了挑戰。

發明內容

本發明的目的是要提供一種基于生成對抗網絡的無線電數據增擴與分類方法。生成與原始數據分布特征相同的“偽造”數據，達到對原始數據集增擴的目的；此外，基于無線電數據采樣特點，提出了深刻捕獲無線電數據空域特征與時域特征的調制分類模型AMCST，提高無線電調制數據分類準確率。

為達到上述目的，本發明是按照以下技術方案實施的：

(1)調制數據增擴模型