[发明专利]一种基于一致性正则化的数字调制信号识别方法

说明书

本发明属于深度学习技术领域，具体是涉及一种基于一致性正则化的数字调制信号识别方法。传统的基于深度学习的数字调制信号识别方法需要大量有标记的数据样本进行训练。在实际通信活动中，仅容易获得大量未标记信号样本，获取人工标记成本高且效率低。本发明通过对称变换扩充数据集，结合随机重排增强样本。使用一致性正则化算法，充分利用大量无标记样本辅助少量有标记样本下的学习，有效地提升了识别准确率，增强了深度学习在数字调制信号识别任务中的可行性和实用性。

技术领域

本发明属于深度学习技术领域，具体是涉及一种基于一致性正则化的数字调制信号识别方法。

背景技术

数字信号调制识别是无线通信领域的一项重要技术，其在民用和军事领域都有广泛的应用。数字信号调制识别的任务主要是在仅有少量先验信息或者在没有先验信息的条件下对信号调制类型进行确认，是信号检测与解调之间的重要步骤。随着无线通信的快速发展，信号的调制方式变得多种多样，调制识别的代价也随之增加。

调制识别的方法一般可以分类两类：基于似然比的调制识别方法和基于特征的调制识别方法。基于似然比的调制识别方法能够在贝叶斯准则的意义下获得最优结果，但需要大量先验信息，且算法的复杂度高，对参数设置十分敏感，鲁棒性较差。基于特征的调制识别方法主要是利用已知的调制信号样本训练网络模型，自动学习、提取信号特征，并根据提取的特征对未知的信号进行分类。常用的网络模型有SVM、决策树、LSTM、CNN等。

现有的基于特征的调制识别方法，通常需要大量已知的有标记样本对网络模型进行训练，得到最优网络模型后再进行调制识别任务。在实际情况下，往往仅能获得大量无标记样本，有标记样本的获取十分困难且成本高昂。一般的基于特征的调制识别方法没有充分利用大量的无标记样本。

申请号为CN202110232691.8、申请公布号为CN113014524A、申请人为电子科技大学、发明名称为”一种基于深度学习的数字信号调制识别方法”的中国发明专利公开了一种基于深度学习的数字信号调制识别方法。该发明通过构建RSN-MI神经网络，利用大量数据对网络进行优化，得到较好的识别精度。但未考虑可用有标记数据量较少的情况，并不贴合实际应用场景。

所以，如何充分利用大量无标记样本实现在少量有标记样本下的数字信号调制识别，便成为无线电调制识别领域亟待解决的问题。

发明内容

为解决现有技术的不足，本发明提出了一种基于一致性正则化的数字信号调制识别方法。本发明的核心主要分为四个部分：一是对已知的信号数据进行处理，实现数据的扩充；二是通过数据随机重排，构建无标记样本的扰动版本，并计算一致性正则化损失；三是利用有标记样本的交叉熵损失和无标记样本的一致性正则化损失反向梯度更新训练网络；四是基于训练完成的网络完成对未知调制信号的类型确认。

本发明的技术方案为：

一种基于一致性正则化的数字信号调制识别方法，如图1所示，所述方法包括以下步骤：

S1、获取数字调制信号数据及标注，记为数据集D。对数据集D进行预处理，划分数据集，包括有标记数据集和无标记数据集有D＝S∪U且M＜＜N，x为有标记数据集，y为x对应的标记，x_u为无标记数据，M为有标记数据集数量，N为有标记数据集数量。

S2、对数据进行对称扩充和随机重排，对称变换的扩充方式如图2所示共三种，即：

其中，是数据点x关于星座图Re轴的对称点；是数据点x关于星座图原点的对称点；是数据点x关于星座图Im轴的对称点，分别对应x样本点逆时针旋转90°、180°、270°。有：

且|D^*|＝4·|D|。采用随机重排对数据集D进行处理，得到：