[发明专利]一种基于改进型SCDAE的半监督调制方式分类模型的方法

说明书

本发明属于信息检索及其数据库结构技术领域，公开了一种基于改进型SCDAE的半监督调制方式分类模型的方法，归一化无线信号数据集；初始训练集与测试集；将训练集中未标记样本输入改进型SCDAE，计算各层的网络权值梯度；将训练集中标记样本输入有监督分类模型，计算各层的网络权值梯度；以减小半监督模型损失函数的值为目标，利用梯度下降法调整半监督模型的网络权值；将测试集数据样本输入有监督分类模型，得到调制方式分类准确率。本发明可直接从原始信号中提取有利于调制方式分类的特征，节省了大量的人力成本；能利用大量容易获取的未标记无线信号数据增强模型的泛化性能，提高调制方式分类准确率。

技术领域

本发明属于信息检索及其数据库结构技术领域，尤其涉及一种基于改进型堆叠卷积降噪自编码器SCDAE的半监督调制方式分类模型的方法。

背景技术

目前，业内常用的现有技术是这样的：无线信号调制方式分类需要从接收到的信号中提取有用信息，而在实际的信道环境中存在大量的噪声干扰，即使知道调制方式的先验信息，该任务也具有挑战性。当调制方式先验信息无法获取时，传统的调制方式分类方法将不可行，因为这些方法依赖于调制方式的专家知识。自动调制分类(AMC)技术分为两类：基于似然(LB)的方法和基于特征(FB)的方法。基于似然(LB)的方法利用似然函数计算接收信号属于某个调制方式的似然比，再将其与预定的决定阈值进行比较。从贝叶斯理论来看，基于似然性(LB)的方法是最优的，因为它最大程度地减少了错误分类的概率。然而，这种方法往往计算复杂度高，而且需要仔细设计和选择信号和噪声模型，在实际应用中难以取得最佳效果。基于特征(FB)的方法需要依据调制方式的特性，使用专家知识设计信号滤波器来提取无线信号数据的特征，并根据提取到的特征判断无线信号属于何种调制方式。LB和FB方法都需要关于调制方式特性的专家知识，并对环境噪声做出具体的假设，这两种方法都需花费大量的人工成本，而且当某种调制方式的特性或者精确模型未知时，调制分类效果往往不好。而且传统方法需要大量的标记数据来训练网络。当标记数据不足时，网络训练会产生过拟合现象，导致网络的泛化性能较弱，调制方式分类准确率也随之下降。在实际情景中，收集未标记的无线信号数据是比较容易的，而获取有标签的无线信号数据则需花费大量的成本。这两种方法都需花费大量的人工成本，因为他们需要具备专业知识的人员手动提取特征和设计模型。LB和FB方法都属于有监督学习，在带调制方式标签的无线信号训练集数据样本充足时，能在无线信号调制方式分类领域取得良好的效果，这是由于训练集数据与测试集数据都来自同一无线信号数据集，两者服从同一分布，有监督学习从训练集中学习到的无线信号数据特征与调制方式标签之间的映射关系同样适用于测试集数据。当训练集中有标签数据很少时，可能学习到了许多这部分数据特有的特征，但这些特征并不存在于测试集数据中，这样一来有监督学习的训练误差会很低，但用测试集数据验证分类效果时分类误差却很高。即有标签数据不足会导致出现过拟合现象，使得泛化性能很差。

综上所述，现有技术存在的问题是：

(1)传统的调制分类方法需人工手动提取无线信号特征，需要花费大量人工成本，提取出来的特征质量稳定性往往不高，使得分类准确率受到影响。

(2)传统的调制分类方法无法利用大量的无标签信号数据来提高分类准确率，对数据资源的极大的浪费。

解决上述技术问题的难度和意义：

调制方式识别需要从原始的无线信号I/O值中提取高质量特征，与一般的数据相比，无线信号数据所蕴含的“信息密度”较大，所以需要更加在意细节特征，而传统的手工提取特征的方法很容易忽略这些细节特征。本发明中提出的改进型SCDAE能从无线信号数据中自动提取提取特征，并使抽象特征与细节特征达到平衡状态。

传统的人工手动提取特征的方法存在人工误差，提取出来的特征质量稳定性往往不高。而基于改进型的SCDAE特征提取方法能通过无监督学习的方式挖掘无线信号数据的隐藏结构，得到能有效代表原始数据的本质特征。