[发明专利]一种基于残差生成对抗网络的调制识别方法

说明书

本公开实施例是关于一种基于残差生成对抗网络的调制识别方法。该基于残差生成对抗网络的调制识别方法包括：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。本公开实施例生成器网络先学习不同分布域数据的特征信息，通过噪声生成高质量的数据来扩充数据集，再由新残差单元组成的残差网络作为判别网络，有效提升了网络的特征提取能力，更好的区分相似信号；在小样本条件下识别准确率显著提升、模型收敛速度加快，方法复杂度明显降低。

技术领域

本公开实施例涉及调制信号识别技术领域，尤其涉及一种基于残差生成对抗网络的调制识别方法。

背景技术

通信信号的自动调制分类识别(Automatic Modulation Classification,AMC)是认知无线电系统的关键技术之一，在非协作通信系统条件下，接收端在信号调制信息未知的情况下能否快速准确地判别接收信号的调制样式，是后续对信号进行解调的关键前提。复杂电磁环境下，AMC技术在战场侦察、信号参数估计和频谱监测等方面都发挥重要作用。

调制识别技术发展至今，无论是基于人工设计特征的传统方法还是基于深度学习的算法均已取得了丰硕的研究成果。传统调制识别方法依赖人工设计特征、可识别的信号种类较少、网络泛化能力较弱；而基于深度学习的调制识别算法往往需要利用大量的标签数据来梯度下降训练网络、算法复杂度较高。

因此，有必要改善上述相关技术方案中存在的一个或者多个问题。

需要注意的是，本部分旨在为权利要求书中陈述的本公开的技术方案提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

发明内容

本公开实施例的目的在于提供一种基于残差生成对抗网络的调制识别方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开实施例提供一种基于残差生成对抗网络的调制识别方法，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。

本公开的一实施例中，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。

本公开的一实施例中，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。

本公开的一实施例中，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的梯度可以表示为：