[發明專利]一種面向信號識別深度學習模型訓練的數據增強方法

在審

• 申請號: 202211660707.6
• 申請日: 2022-12-23
• 公開（公告）號: CN115952434A
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 歐陽玫丹;張宇陽;解韋桐;馮佳;劉昊;李貴
• 申請（專利權）人: 中國電子科技集團公司第十研究所
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/214
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 孫元偉

1.一種面向信號識別深度學習模型訓練的數據增強方法，其特征在于，所述方法包括以下步驟：

S1：使用信號采集處理設備采集實際電磁環境下的基帶信號樣本數據；

S2：對信號進行預處理，形成單信號時域樣本集，并確認樣本標簽信息；

S3：對單信號樣本集進行多手段數據增強，形成擴充時域樣本集；

S4：根據信號識別算法所需數據點數，對擴充時域樣本集按信號屬性進行切片或截取操作，形成定長時域樣本集；

S5：根據信號識別算法輸入時頻圖大小，對定長時域樣本集進行短時傅里葉變換，形成可直接用于訓練的數據增強后時域圖像數據集。

2.如權利要求1所述的面向信號識別深度學習模型訓練的數據增強方法，其特征在于，所述步驟S2中，對信號進行預處理，分別在頻域、時域對實際采集目標信號進行獲取，具體包括：

對實際采集數據進行頻域獲取時，通過下變頻、濾波、抽取，形成信號中心頻率對應0Hz,濾波帶寬為信號帶寬，抽取后信號采樣率為四倍信號帶寬的基帶IQ數據，確保數據集單樣本僅包含單一頻點信號；

對實際采集數據進行時域獲取時，通過時域波形信號幅度的變化，找到信號的開始時間與結束時間，進行截取，形成多個單突發信號基帶IQ數據，確保數據集單樣本僅包含單一頻點的單突發信號。

3.如權利要求1所述的面向信號識別深度學習模型訓練的數據增強方法，其特征在于，所述步驟S3，具體包括：采用信號重采樣技術、頻域抖動、時域抖動、人工加噪、人工去噪手段中的一種或多種，對信號基帶IQ數據進行數據增強擴充并進行定長處理后，再通過特征域變換，采用短時傅里葉變換進行時頻域的轉換。

4.如權利要求3所述的面向信號識別深度學習模型訓練的數據增強方法，其特征在于，所述對信號基帶IQ數據進行數據增強時，采用基于數字上、下變頻的頻域抖動，表達式具體為：

f_shift＝αBw,α∈[-0.25,0.25]

其中，x(n)為信號原始基帶IQ數據，Bw為信號帶寬，α是頻域抖動系數,為-0.25到0.25間的隨機數，x_fshift(n)為隨機頻域抖動后的信號基帶IQ數據,為基帶IQ數據長度。

5.如權利要求3所述的面向信號識別深度學習模型訓練的數據增強方法，其特征在于，所述對信號基帶IQ數據進行數據增強時，采用基于增添噪聲點的時域抖動；

若時域抖動方向為向右，則為時域延遲，表達式具體為：

N_shift＝βN,β∈[-0.25,0.25]

若時域抖動方向為向左，則為時域提前，表達式具體為：

其中，β為時域抖動系數，為-0.25到0.25間的隨機數，N為基帶IQ數據長度。

6.如權利要求3所述的面向信號識別深度學習模型訓練的數據增強方法，其特征在于，所述對信號基帶IQ數據進行數據增強時，采用基于能量計算的人工加噪，表達式具體為：

P_addnoise＝P_x(n),γ∈(0,0.1]

x_addnoise()＝G(n)×P_addnoise+x()

其中P_x(n)為原始基帶數據功率，γ為添加噪聲功率與原始基帶數據功率的比值系數，G(n)為與原始基帶數據等長的均值為0，方差為1的正態分布隨機序列。

7.如權利要求3所述的面向信號識別深度學習模型訓練的數據增強方法，其特征在于，所述對信號基帶IQ數據進行數據增強時，采用基于小波變換的人工去噪，具體為：選取小波基函數為Harr基及分解層數為2，對信號原始基帶數據進行小波分解，計算每一層的小波系數；對每一分解層采用固定閾值估計法設置全局閾值，按照設定的閾值對每一層的小波高階系數進行軟閾值處理；根據處理后的小波系數對信號進行重構，得到去噪增強后的信號數據。