[發(fā)明專利]一種面向信號(hào)識(shí)別深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)增強(qiáng)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211660707.6
• 申請(qǐng)日: 2022-12-23
• 公開(kāi)（公告）號(hào): CN115952434A
• 公開(kāi)（公告）日: 2023-04-11
• 發(fā)明（設(shè)計(jì)）人: 歐陽(yáng)玫丹;張宇陽(yáng);解韋桐;馮佳;劉昊;李貴
• 申請(qǐng)（專利權(quán)）人: 中國(guó)電子科技集團(tuán)公司第十研究所
• 主分類號(hào): G06F18/24
• 分類號(hào): G06F18/24;G06F18/214
• 代理公司: 成都九鼎天元知識(shí)產(chǎn)權(quán)代理有限公司 51214
• 代理人: 孫元偉

本發(fā)明公開(kāi)了一種面向信號(hào)識(shí)別深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)增強(qiáng)方法，該方法包括在電磁信號(hào)識(shí)別場(chǎng)景中，通過(guò)頻譜可視化軟件確定信號(hào)出聯(lián)的頻點(diǎn)及帶寬并控制信號(hào)采集處理設(shè)備進(jìn)行采集，獲取實(shí)際信號(hào)的基帶數(shù)據(jù)；將IQ基帶數(shù)據(jù)根據(jù)信號(hào)的出現(xiàn)時(shí)間進(jìn)行頻域、時(shí)域提取等預(yù)處理操作，得到單信號(hào)基帶時(shí)域波形數(shù)據(jù)；采用重采樣、抖動(dòng)變頻、時(shí)域平移、增減噪聲等手段，對(duì)時(shí)域波形數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)擴(kuò)充；將增強(qiáng)后的信號(hào)時(shí)域波形數(shù)據(jù)根據(jù)智能識(shí)別算法輸入所需的長(zhǎng)度進(jìn)行切分或添補(bǔ)，形成定長(zhǎng)信號(hào)時(shí)域數(shù)據(jù)樣本集；最后，進(jìn)行變換域變換，通過(guò)短時(shí)傅里葉變換將信號(hào)時(shí)域波形數(shù)據(jù)轉(zhuǎn)換為時(shí)頻矩陣數(shù)據(jù)。本發(fā)明能夠有效提升信號(hào)識(shí)別深度學(xué)習(xí)算法性能。

技術(shù)領(lǐng)域

本發(fā)明涉及信號(hào)識(shí)別技術(shù)領(lǐng)域，尤其涉及到一種面向信號(hào)識(shí)別深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)增強(qiáng)方法。

背景技術(shù)

信號(hào)識(shí)別是對(duì)信號(hào)體制、網(wǎng)臺(tái)類型的識(shí)別，對(duì)目標(biāo)屬性的判定有著重大意義，也可用于認(rèn)知無(wú)線電、自適應(yīng)通信等領(lǐng)域。傳統(tǒng)的信號(hào)識(shí)別算法是通過(guò)對(duì)單一信號(hào)進(jìn)行詳細(xì)分析，人工提取高階累積量、瞬時(shí)參數(shù)、循環(huán)平穩(wěn)譜等特征，逐一形成單類別信號(hào)識(shí)別算法，研發(fā)難度大、周期長(zhǎng)。隨著通信技術(shù)的蓬勃發(fā)展，電磁環(huán)境中的信號(hào)種類迭代更新速度快、數(shù)量多、體制復(fù)雜，對(duì)信號(hào)識(shí)別算法的研發(fā)速度及識(shí)別準(zhǔn)確度有更為嚴(yán)苛的要求。

基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)人工智能算法近年來(lái)引起了多個(gè)領(lǐng)域的關(guān)注，在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理等方向的應(yīng)用都有遠(yuǎn)超傳統(tǒng)算法的表現(xiàn)，智能信號(hào)識(shí)別已是大勢(shì)所趨。鑒于計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用最為成熟，且時(shí)頻數(shù)據(jù)同時(shí)反映了信號(hào)在時(shí)間和頻率的二維信息，更有利于神經(jīng)網(wǎng)絡(luò)提取多維特征，目前大部分智能信號(hào)識(shí)別算法使用時(shí)頻矩陣數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)算法的輸入。多項(xiàng)研究表明，神經(jīng)網(wǎng)絡(luò)的性能與模型大小是強(qiáng)相關(guān)的，而大模型需要的更多的樣本數(shù)據(jù)訓(xùn)練優(yōu)化參數(shù)，但對(duì)信號(hào)識(shí)別任務(wù)而言，復(fù)雜電磁環(huán)境應(yīng)用背景下的目標(biāo)信號(hào)，特別是短猝發(fā)、非協(xié)作類信號(hào)，數(shù)據(jù)樣本的采集、分析、標(biāo)注等環(huán)節(jié)所需時(shí)間成本、人力成本巨大，使得構(gòu)建大規(guī)模樣本數(shù)據(jù)集較為困難。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種面向信號(hào)識(shí)別深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)增強(qiáng)方法，旨在解決目前基于時(shí)頻矩陣作為網(wǎng)絡(luò)輸入的人工智能信號(hào)識(shí)別算法的研發(fā)所存在的數(shù)據(jù)樣本難以大量獲取，數(shù)據(jù)標(biāo)注專業(yè)性要求高、難度大，主流數(shù)據(jù)集構(gòu)建及數(shù)據(jù)增強(qiáng)方法無(wú)法直接套用的技術(shù)問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供一種面向信號(hào)識(shí)別深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)增強(qiáng)方法，所述方法包括以下步驟：

S1：使用信號(hào)采集處理設(shè)備采集實(shí)際電磁環(huán)境下的基帶信號(hào)樣本數(shù)據(jù)；

S2：對(duì)信號(hào)進(jìn)行預(yù)處理，形成單信號(hào)時(shí)域樣本集，并確認(rèn)樣本標(biāo)簽信息；

S3：對(duì)單信號(hào)樣本集進(jìn)行多手段數(shù)據(jù)增強(qiáng)，形成擴(kuò)充時(shí)域樣本集；

S4：根據(jù)信號(hào)識(shí)別算法所需數(shù)據(jù)點(diǎn)數(shù)，對(duì)擴(kuò)充時(shí)域樣本集按信號(hào)屬性進(jìn)行切片或截取操作，形成定長(zhǎng)時(shí)域樣本集；

S5：根據(jù)信號(hào)識(shí)別算法輸入時(shí)頻圖大小，對(duì)定長(zhǎng)時(shí)域樣本集進(jìn)行短時(shí)傅里葉變換，形成可直接用于訓(xùn)練的數(shù)據(jù)增強(qiáng)后時(shí)域圖像數(shù)據(jù)集。

可選的，所述步驟S2中，對(duì)信號(hào)進(jìn)行預(yù)處理，分別在頻域、時(shí)域?qū)?shí)際采集目標(biāo)信號(hào)進(jìn)行獲取，具體包括：

對(duì)實(shí)際采集數(shù)據(jù)進(jìn)行頻域獲取時(shí)，通過(guò)下變頻、濾波、抽取，形成信號(hào)中心頻率對(duì)應(yīng)0Hz,濾波帶寬為信號(hào)帶寬，抽取后信號(hào)采樣率為四倍信號(hào)帶寬的基帶IQ數(shù)據(jù)，確保數(shù)據(jù)集單樣本僅包含單一頻點(diǎn)信號(hào)；

對(duì)實(shí)際采集數(shù)據(jù)進(jìn)行時(shí)域獲取時(shí)，通過(guò)時(shí)域波形信號(hào)幅度的變化，找到信號(hào)的開(kāi)始時(shí)間與結(jié)束時(shí)間，進(jìn)行截取，形成多個(gè)單突發(fā)信號(hào)基帶IQ數(shù)據(jù)，確保數(shù)據(jù)集單樣本僅包含單一頻點(diǎn)的單突發(fā)信號(hào)。

可選的，所述步驟S3，具體包括：采用信號(hào)重采樣技術(shù)、頻域抖動(dòng)、時(shí)域抖動(dòng)、人工加噪、人工去噪手段中的一種或多種，對(duì)信號(hào)基帶IQ數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)擴(kuò)充并進(jìn)行定長(zhǎng)處理后，再通過(guò)特征域變換，采用短時(shí)傅里葉變換進(jìn)行時(shí)頻域的轉(zhuǎn)換。