【技术实现步骤摘要】
本专利技术属于调制识别技术，特别涉及一种基于半监督特征学习的调制识别方法及装置。
技术介绍
1、自动调制识别(automatic modulation recognition，amr)作为信号检测和信号解调之间的关键步骤，广泛应用于频谱感知、无线电管理、信号检测和干扰识别等实际领域。经典的amr算法一般分为两类：基于似然的amr算法和基于特征的amr算法。基于似然的amr算法[1-2]的识别精度较好，但其计算复杂度较高且对先验信息的需求过多。基于特征的amr算法实现难度较低，但是需要基于人工专家经验设计特征，如频谱特征、高阶统计量特征、瞬时参数统计特征等，在多分类的信号调制识别中存在特征冗余和通用性不足的问题。
2、为了减少对先验知识和专家经验的依赖，深度学习逐渐应用于amr领域，并凭借其强大的特征提取能力取得了显著进展。rml2016.10a数据集是基于gnu radio环境生成的一个标准数据集，现广泛应用于信号调制识别问题的研究。现有技术使用该数据集对卷积神经网络(convolutional neural networks,cnn)算法进行训练和评估，首次提出了使用同相正交(i/q,in-phase/quadrature)信号作为网络输入实现信号的调制识别，其分类性能优于基于循环矩的专家特征方法；另一篇现有技术将cnn和长短时记忆网络(long shortterm memory,lstm)进行结合，以进一步提高分类进度。此外，还有现有技术设计了三个并行卷积层，分别从i通道、q通道以及i/q多通道提取特征，并馈送到
3、上述的amr算法都采用监督学习方法，需要大量标记样本来训练模型。然而，现有研究表明，在标记样本有限的情况下，利用无监督学习提取信号的关键特征是一种有效方法。通过联合设计自编码器(autoencoder，ae)和分类网络，可以最大程度减少分类损失并提高识别精度。因此现有技术中利用引入去噪自编码器(denoising autoencoder，dae)来增强信号波形，并用该增强信号来训练稀疏自编码器(sparse autoencoder，sae)，提高网络在低信噪比条件下的分类性能。针对半监督条件下的amr，现有技术提出了一种由cnn和卷积自编码器(convolutional autoencoder，cae)组成的迁移学习架构，cnn对少量标记样本进行监督分类，cae对大量未标记样本进行无监督重构。
4、无监督学习的amr算法虽然避免了人工标注样本的麻烦，但对比监督学习，其运行参数增多，迭代时间变长，识别精度下降。
技术实现思路
1、针对现有技术中无监督识别技术的问题，本专利技术提出一种基于半监督特征学习的调制识别方法，识别过程包括无监督特征学习和分类识别两个阶段，具体包括以下步骤：
2、在无监督特征学习阶段，由编码器、通道注意力机制、解码器构成重构模型；
3、通过编码器将原始信号映从高维空间映射到低维空间，得到原始特征；
4、利用通道注意力机制对原始特征各通道进行加权处理；
5、加权处理后的特征通过解码器进行重构，得到重构信号，且在编码器和解码器之间建立残差连接；
6、以原始信号与重构信号之间的均方误差作为损失函数，采用随机梯度下降法对重构模型进行训练；
7、在分类识别阶段，通过在无监督特征学习阶段完成训练的编码器和通道注意力机制提取原始信号的特征，并将特征输入分类器识别原始信号的调制方法。
8、进一步的，编码器包括四个级联的卷积模块，解码器包括四个级联的反卷积模块，每个卷积模块包括级联的卷积层和池化层，每个反卷积模块包括级联的上采样层和反卷积层。
9、进一步的，编码器和解码器之间建立残差连接，即将第二个卷积块的输出与第二个反卷积块的输出连接在一起后输入第三个反卷积块。
10、进一步的，利用通道注意力机制对原始特征各通道进行加权处理的过程包括：
11、s＝σ(w2δ(w1z))
12、
13、其中，s为激励权重向量；σ(·)表示sigmoid激活函数；δ(·)表示relu激活函数；w1、w2表示通道注意力机制中的可训练参数；z表示通道描述符向量，该向量中第c个元素zc表示第c个通道的通道描述符；xc(i,j)表示在第c个通道上原始特征在位置(i,j)上的特征值；h表示原始特征的高度，w表示原始特征的宽度。
14、进一步的，分类器包括全连接层、dropout层和softmax输出层。
15、进一步的，分类器采用多分类损失函数作为损失函数，通过反向传播调整分类器参数，多分类损失函数表示为：
16、
17、其中，为真实标签y与预测标签之间的多分类损失，n为训练的样本数量。
18、本专利技术还提供一种基于自编码器的半监督调制识别装置，该装置用于实现一种基于自编码器的半监督调制识别装置，该装置包括预训练的编码器和通道注意力机制、分类器，其中预训练的编码器和通道注意力机制用于从原始信号中提取特征，将提取的特征输入分类器中进行调制识别，分类器输出该每种调制的概率。
19、本专利技术利用se-rcae网络对样本进行无监督训练，编码器从输入数据中提取有效特征，解码器通过反卷积操作重构输入信号，卷积自编码器与压缩和激励(squeeze andexcitation,se)模块的有效集成可以自适应调制编码特征的通道重要性，增强特征的表示能力；此外，引入残差学习可以避免早期关键特征的丢失并减少网络的训练迭代时间，提高模型在无监督学习阶段的收敛能力和重构能力；最后，通过使用预训练的编码器提取信号特征，并将其馈送到分类器进行监督训练，以完成半监督条件下的信号调制识别。
本文档来自技高网...【技术保护点】
1.一种基于半监督特征学习的调制识别方法，其特征在于，识别过程包括无监督特征学习和分类识别两个阶段，具体包括以下步骤：
2.根据权利要求1所述的一种基于半监督特征学习的调制识别方法，其特征在于，编码器包括四个级联的卷积模块，解码器包括四个级联的反卷积模块，每个卷积模块包括级联的卷积层和池化层，每个反卷积模块包括级联的上采样层和反卷积层。
3.根据权利要求2所述的一种基于半监督特征学习的调制识别方法，其特征在于，编码器和解码器之间建立残差连接，即将第二个卷积块的输出与第二个反卷积块的输出连接在一起后输入第三个反卷积块。
4.根据权利要求1所述的一种基于半监督特征学习的调制识别方法，其特征在于，利用通道注意力机制对原始特征各通道进行加权处理的过程包括：
5.根据权利要求4所述的一种基于半监督特征学习的调制识别方法，其特征在于，激励权重向量表示为：
6.根据权利要求1所述的一种基于半监督特征学习的调制识别方法，其特征在于，分类器包括全连接层、Dropout层和Softmax输出层。
7.根据权利要求1所述的一种基于
8.根据权利要求1所述的一种基于半监督特征学习的调制识别方法，其特征在于，该装置用于实现权利要求1所述的一种基于半监督特征学习的调制识别方法，该装置包括预训练的编码器和通道注意力机制、分类器，其中预训练的编码器和通道注意力机制用于从原始信号中提取特征，将提取的特征输入分类器中进行调制识别，分类器输出该每种调制的概率。
9.根据权利要求8所述的一种基于半监督特征学习的调制识别装置，其特征在于，采用无监督特征学习对编码器和通道注意力机制进行训练，包括以下步骤：
10.根据权利要求8所述的一种基于半监督特征学习的调制识别装置，其特征在于，对分类器的训练包括：获取带标签的原始信号作为训练数据，通过预训练的编码器和通道注意力机制提取训练数据的特征，将特征输入分类器进行分类，分类器采用多分类损失函数作为损失函数，通过反向传播调整分类器参数，多分类损失函数表示为：
...【技术特征摘要】
1.一种基于半监督特征学习的调制识别方法，其特征在于，识别过程包括无监督特征学习和分类识别两个阶段，具体包括以下步骤：
2.根据权利要求1所述的一种基于半监督特征学习的调制识别方法，其特征在于，编码器包括四个级联的卷积模块，解码器包括四个级联的反卷积模块，每个卷积模块包括级联的卷积层和池化层，每个反卷积模块包括级联的上采样层和反卷积层。
3.根据权利要求2所述的一种基于半监督特征学习的调制识别方法，其特征在于，编码器和解码器之间建立残差连接，即将第二个卷积块的输出与第二个反卷积块的输出连接在一起后输入第三个反卷积块。
4.根据权利要求1所述的一种基于半监督特征学习的调制识别方法，其特征在于，利用通道注意力机制对原始特征各通道进行加权处理的过程包括：
5.根据权利要求4所述的一种基于半监督特征学习的调制识别方法，其特征在于，激励权重向量表示为：
6.根据权利要求1所述的一种基于半监督特征学习的调制识别方法，其特征在于，分类器包括全连接层、dropout层和softmax输出层。
...
【专利技术属性】
技术研发人员：李国军，马培云，谢文希，叶昌荣，马宝泽，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。