[发明专利]一种基于残差生成对抗网络的调制识别方法

权利要求书

1.一种基于残差生成对抗网络的调制识别方法，其特征在于，包括：

通过卷积神经网络作为生成器网络生成高质量的数据扩充数据集，由新残差单元组成的残差网络作为判别器网络并执行梯度下降训练；

所述判别器的输出结果反馈至所述生成器和所述判别器并分别执行梯度下降训练。

2.根据权利要求1所述基于残差生成对抗网络的调制识别方法，其特征在于，所述生成器输入为噪声，输出为生成数据，所述判别器输入为无标签真实数据、有标签真实数据和所述生成数据，输出为真假分类器判定所述生成数据与所述无标签真实数据、所述有标签真实数据的相似度，类别分类器判定所述生成数据与所述无标签真实数据、所述有标签真实数据的类别属性。

3.根据权利要求1所述基于残差生成对抗网络的调制识别方法，其特征在于，所述梯度下降训练采用交替迭代的方法进行梯度下降训练，梯度下降训练所述生成器和所述判别器一方，固定另一方的网络模型和权重。

4.根据权利要求1所述基于残差生成对抗网络的调制识别方法，其特征在于，所述新残差单元以Leakyrelu作为隐藏层激活函数，所述Leakyrelu的公式为：

其中，a为(0,1)之间的一个常数，x代表输入数据；

所述新残差单元的结构表达式为：

其中，H(·)代表直接映射，F(·)代表残差部分，f(·)代表激活函数，W_l代表卷积操作；

预设L个所述新残差单元，则所述新残差单元的结构表达式变为：

根据所述梯度下降训练中使用导数的链式法则，损失函数ε关于x_i的梯度表示为：

其中，x_i为输入数据。

5.根据权利要求4所述基于残差生成对抗网络的调制识别方法，其特征在于，在整个所述梯度下降训练过程中不会一直为-1，即在所述梯度下降训练过程中不会出现梯度消失的问题，表示L层的梯度直接传递到任何一个比它浅的l层。

6.根据权利要求5所述基于残差生成对抗网络的调制识别方法，其特征在于，结合所述网络的输入输出结构和所述损失函数，将目标函数修改为有监督学习和无监督学习两部分，所述监督学习使用标签数据(x_i,y_i)和多元交叉熵损失函数进行计算，所述无监督学习利用所述生成器生成的生成数据(x′_i,1)或(x′_i,0)和二元交叉熵损失函数进行计算，其中，0代表虚假数据，1代表真实数据，所述判别器的输出层激活函数分别使用Sigmoid函数和Softmax函数。

7.根据权利要求6所述基于残差生成对抗网络的调制识别方法，其特征在于，所述Sigmoid函数输出一个0-1之间的数，越接近于1代表判别结果越接近于真实数据，越接近于0代表判别结果越接近于虚假数据，所述Softmax函数输出一个K维向量{l₁,l₂,l₃...l_K}，转化成概率为：

其中，p_model(y＝j|x)代表网络将x预测为第j维向量的概率，概率最大值的那一维向量即为数据的标签属性。