[发明专利]一种基于生成对抗网络的调制信号时频图分类系统及其运行方法

说明书

本发明涉及一种基于生成对抗网络的调制信号时频图分类系统及其运行方法，包括：IQ信号时频图变换模块、生成器模块、判别器模块、辅助分类器模块。IQ信号时频图变换模块将原始信号转换成信号短时傅里叶时频图的形式；生成器模块将原始噪声向量及其输入的类别信息映射为相应的短时傅里叶时频图；判别器模块接收真实图片数据和由判别器产生的图片数据，并输出不同输入的相对应的判别为真的置信概率；辅助分类器模块接收经过卷积层提取的高维的特征图并输出其对应的类别信息。本方法用于解决训练信号分类的深度神经网络模型但数据集样本数不足的问题。

技术领域

本发明涉及一种基于生成对抗网络的调制信号时频图分类系统及其运行方法，属于大数据与人工智能技术领域。

背景技术

近些年，伴随着硬件级计算单元性能的飞速提升，深度学习也在各个不同的领域展现出了不可思议的能力，尤其是在图像和自然语言处理的领域都取得了极好的效果。伴随着各种新型网络结构的提出，越来越多的学者尝试将神经网络模型应用到信号分析领域，对不同类型的调制信号进行分类。

众所周知，神经网络的训练需要大量的数据集样本作为支撑，即用大量的信号样本对模型进行训练和验证。可是在许多场景下，信号采集需要耗费大量的人力物力，而且伴随着空间电磁波的复杂化，信号采集的难度也越来越大，甚至在电子对抗等特殊场景下，根本无法进行有效的信号采集，而一旦没有足够的数据集，就无法训练出有效的神经网络分类模型，甚至会造成过拟合等问题，信号分类的效果也会大打折扣。

基于上述原因，采用基于生成对抗网络的调制信号时频图数据集扩充分类方法，就显得十分重要。

发明内容

针对当下普遍存在的训练信号分类神经网络数据集不足以及无法深层次挖掘信号特征的问题，本发明提供了一种基于生成对抗网络的调制信号时频图分类系统及其运行方法，从而实现训练具有一定鲁棒性的神经网络分类模型，为从事相关研究的研究人员提供了方便快捷的挖掘深层次信号特征和数据集扩充方法。

本发明基于Pytorch深度学习框架以及通信原理的相关技术，结合如今流行的深度学习技术和傅立叶变换相关技术，实现了通信信号分类数据集的扩充，一定程度上提高了神经网络在信号分类方面的准确率和鲁棒性。

术语解释：

1、短时傅里叶变换，短时傅里叶变换是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率和相位，其主要用于分析非平稳信号，非平稳信号由于波形特性变化没有规律，不能直接使用傅里叶变换，因此，对信号加窗使信号平稳化，便可对加窗分段信号一段段使用傅里叶变换得到分段频谱图，此为短时傅里叶变换的基本解释。

2、时频图，时频图指的是对信号进行短时傅里叶变换所产生的信号谱图，因为其可同时包含时频两域的信息而得名，时频图包含了关于调制信号的丰富的信息，可以作为信号分类的依据。

3、信号短时傅里叶图，信号短时傅里叶图即为时频图，时频图为信号短时傅里叶图简称。

4、批归一化，批归一化就是在网络的每一层输入之前做了一个归一化处理，是深度网络中经常用到的加速神经网络训练，加速网络收敛速度以及稳定性的算法，是目前训练深度网络不可少的一部分。

5、IQ原始调制信号，即同相正交信号，是将信源数据分为两路，分别进行载波调制而产生的调制信号，两路载波具有相互正交的特性。

6、特征图，特征图指的是在神经网络的网络层之间流动的输入输出张量数据，经过不同的网络层所得到的高维数据矩阵统称为特征图。

7、卷积层，卷积层指的是卷积神经网络中的一层，由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。