一种基于一致性正则化的数字调制信号识别方法

摘要

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。

权利要求

1.一种基于一致性正则化的数字信号调制识别方法，其特征在于，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，xu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为：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：*

|D|＝4·|D|；采用随机重排对数据集D进行处理，得到：|D'|＝4·|D|；其中permute(·)是随机重排算法：随机选择一个信号样本的某点p为截断点，以此截断点截断信号样本，交换其前后段位置并拼接，得到随机重排样本：S3、构建识别网络模型，计算有标记样本 的交叉熵损失，其形式如下：

其中CE(·)是交叉熵损失函数，fθ(·)是用于识别的网络模型；

计算无标记样本对 的一致性损失，其形式如下：其中JS(·)是Jensen‑Shannon散度；

计算联合损失函数：

其中λ(t)是一个渐增的系数，其形式为：λmax是λ(t)的最大值；exp(·)是以自然常数e为底的指数函数；t是当前时刻的训练时刻；T是渐增的最大训练时刻；

S4、获取数字调制信号，采用步骤S2的方法预处理后输入到训练好的识别网络，完成调制信号的识别。

说明书

一种基于一致性正则化的数字调制信号识别方法

技术领域

[0001] 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

[0002] 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。

[0003] 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。

[0004] 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。

[0005] 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。

[0006] 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

[0007] 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。

[0008] 本发明的技术方案为：

[0009] 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：

[0010] 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，xu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。

[0011] 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：

[0012]

[0013] 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：

[0014]

[0015]

[0016]

[0017] 且|D*|＝4·|D|。采用随机重排对数据集D进行处理，得到：

[0018]

[0019]

[0020]

[0021] 有|D'|＝4·|D|。其中permute(·)是随机重排算法，上式中x'即是x随机重排后的数据，其步骤为：随机选择一个信号样本的某点p为截断点，以此截断点截断信号样本，交换其前后段位置并拼接，得到随机重排样本：

[0022]

[0023] S3、构建识别网络模型，计算有标记样本S'的交叉熵损失，其形式如下：

[0024]

[0025] 其中CE(·)是交叉熵损失函数，fθ(·)是用于识别的网络模型。

[0026] 计算无标记样本对 的一致性损失，其形式如下：

[0027]

[0028] 其中JS(·)是Jensen‑Shannon散度。

[0029] 计算联合损失函数：

[0030]

[0031] 其中λ(t)是一个渐增的系数，其形式为：

[0032]

[0033] λmax是λ(t)的最大值；exp(·)是以自然常数e为底的指数函数；t是当前时刻的训练时刻；T是渐增的最大训练时刻。

[0034] S4、获取数字调制信号，采用步骤S2的方法预处理后输入到训练好的识别网络，完成调制信号的识别。

[0035] 本发明的有益效果为，本发明提供了一种基于一致性正则化的数字信号调制识别方法，利用对称扩充和随机重排，实现对样本的扩充和增强；结合一致性正则化算法，使网络模型在极少量样本下就能接近大量样本训练下的性能且其鲁棒性更强。将数字调制信号的扩充和增强方法以及一致性正则化算法应用于数字信号调制识别中，弥补了现有方法的不足，使信号调制识别算法更加实用和可靠。

附图说明

[0036] 图1是本发明一种基于一致性的数字调制信号识别方法的流程图；

[0037] 图2是本发明的对称变换扩充方法示意图。

具体实施方式

[0038] 在发明内容部分已经对本发明的技术方案进行类型详细描述，本发明的方法在充分利用少量有标记数据信息的基础上，提取并利用大量无标记数据的信息，使网络模型能够在少量有标记样本情况下也能获得优异的性能，提高了数字信号调制识别方法的实用性。

[0039] 在本发明的基于一致性正则化的数字信号调制识别方法中，先通过信号的对称变换扩充和随机重排，进行信号数据集的扩充和增强。对无标记数据集的扩充和增强，可以认为是对原始样本的扰动，通过JS散度衡量扰动样本和原始的无标记样本之间的一致性，实现对无标记样本的充分利用。在训练过程中，通过特定的损失函数约束网络模型的优化方向，并利用系数加权控制训练的重点偏向。利用训练完成的网络模型，即可确定未知信号的调制类型。