CN111598020A - 基于半监督生成对抗网络的电磁信号识别方法 - Google Patents

基于半监督生成对抗网络的电磁信号识别方法 Download PDF

Info

Publication number
CN111598020A
CN111598020A CN202010427345.0A CN202010427345A CN111598020A CN 111598020 A CN111598020 A CN 111598020A CN 202010427345 A CN202010427345 A CN 202010427345A CN 111598020 A CN111598020 A CN 111598020A
Authority
CN
China
Prior art keywords
electromagnetic signal
signal
data
network
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010427345.0A
Other languages
English (en)
Inventor
周华吉
焦李成
徐杰
郑仕链
杨小牛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
CETC 36 Research Institute
Original Assignee
Xidian University
CETC 36 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University, CETC 36 Research Institute filed Critical Xidian University
Priority to CN202010427345.0A priority Critical patent/CN111598020A/zh
Publication of CN111598020A publication Critical patent/CN111598020A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本说明书提供一种基于半监督生成对抗网络的电磁信号识别方法，包括：构建训练用电磁信号数据集；训练用电磁信号数据集包括有类别标签的真实电磁信号数据和无标签的真实电磁信号数据；采用训练用电磁信号数据集中的电磁信号数据和噪声数据训练电磁信号识别对抗网络；电磁信号识别对抗网络包括伪信号生成网络和信号识别网络；将训练后的信号识别网络作为电磁信号识别模型；利用所述电磁信号识别模型识别新接收到的电磁信号的类型。本说明书提供的方法在训练用电磁信号数据集中的数据仅部分具有类别标签的情况下，也能够得到用于信号识别的电磁信号识别网络，也就克服了某些领域中仅有少量电磁信号标签数据的弱监督条件下，电磁信号样本识别率低的问题。

Description

基于半监督生成对抗网络的电磁信号识别方法
技术领域
本发明涉及信号处理技术领域，尤其涉及一种基于半监督生成对抗网络的电磁信号识别方法。
背景技术
当前，对电磁信号识别主要采用模式识别方法。近年来，随着深度学习技术迅猛发展，卷积神经网络因其具备稀疏连接、权重共享和最大池采样等特性，以及计算复杂度显著下降的特性，被用于电磁信号识别领域，表现出较好的信号识别效果。
然而卷积神经网络的一个特点就是需要大量的带标签数据进行训练。但是在某些特殊应用领域(例如国防安全领域)，获取相关数据十分困难；由于电磁环境日益复杂，各种信号互相干扰，要给采集到的电磁信号数据打上正确的标签更是难上加难；这就意味着当前几乎最优的卷积神经网络面对只有少量标签数据的弱监督条件下的电磁信号识别问题，显得有些束手无策。而如何解决弱监督条件下的电磁信号识别问题，也成为了是当前研究的一个热点和难点。
发明内容
本说明书提供一种基于半监督生成对抗网络的电磁信号识别方法和装置，以解决背景技术提及的至少部分问题。
本说明书提供一种基于半监督生成对抗网络的电磁信号识别模型构建方法，包括：
构建训练用电磁信号数据集；所述训练用电磁信号数据集包括有类别标签的真实电磁信号数据和无标签的真实电磁信号数据；
采用所述训练用电磁信号数据集中的电磁信号数据和噪声数据训练电磁信号识别对抗网络；所述电磁信号识别对抗网络包括伪信号生成网络和信号识别网络；所述伪信号生成网络用于根据所述噪声数据生成伪信号数据；所述信号识别网络用于判别所述真实电磁信号数据和所述伪信号数据的真伪概率；
将训练后的信号识别网络作为电磁信号识别模型；
利用所述电磁信号识别模型识别新接收到的电磁信号的类型。
可选地，所述构建训练用电磁信号数据集，包括：
获取电磁信号，生成电磁信号的一维信号幅度特征序列；
根据所述一维信号幅度特征序列生成二维信号幅度特征序列；
确定部分所述一维信号幅度特征序列对应的信号类别，将所述信号类别作为对应所述二维信号幅度特征序列的类别标签；
将第一部分的所述二维信号幅度特征序列作为所述训练用电磁信号数据集中的数据；
其中：所述一维信号幅度特征序列[A1,…,An]，所述二维信号附图特征序列为
Figure BDA0002499193040000021
可选地，所述方法还包括：将第二部分的所述二维信号幅度特征序列作为验证用电磁信号数据集中的数据；所述验证用电磁信号数据集中的电磁信号数据均为具有类别标签的数据；
在将训练后的信号识别网络作为所述电磁信号识别模型前，利用验证用电磁信号数据集中的电磁信号数据评价所述信号识别网络的准确率；
在所述准确率达到设定阈值后，停止对所述电磁信号识别对抗网络的训练。
可选地，所述信号识别网络对应的损失函数为LD＝Lsupervised·(1-flag)·m+Lunsupervised，其中：Lsupervised为判别有类别标签的电磁信号数据时的损失函数；flag为电磁信号数据有无类别标签的标志，在电磁信号数据有类表标签的情况时flag＝0，在电磁信号数据有类表标签的情况时flag＝1；m为权重系数；Lunsupervised为判别无类别标签的电磁信号数据时的损失函数。
可选地，所述权重系数m大于1。
本说明书提供一种基于半监督生成对抗网络的电磁信号识别模型构建装置，包括：
训练集构建单元，用于构建训练用电磁信号数据集；所述训练用电磁信号数据集包括有类别标签的真实电磁信号数据和无标签的真实电磁信号数据；
训练单元，用于采用所述训练用电磁信号数据集中的电磁信号数据和噪声数据训练电磁信号识别对抗网络；所述电磁信号识别对抗网络包括伪信号生成网络和信号识别网络；所述伪信号生成网络用于根据所述噪声数据生成伪信号数据；所述信号识别网络用于判别所述真实电磁信号数据和所述伪信号数据的真伪；
模型确定单元，用于将训练后的信号识别网络作为电磁信号识别模型；
识别单元，用于利用所述电磁信号识别模型识别新接收到的电磁信号的类型。
可选地，所述训练集构建单元包括：
电磁信号获取模块，用于获取电磁信号，生成电磁信号的一维信号幅度特征序列；
二维信号幅度特征序列确定模块，用于根据所述一维信号幅度特征序列生成二维信号幅度特征序列；
类别标签确定模块，用于确定部分所述一维信号幅度特征序列对应的信号类别，将所述信号类别作为对应所述二维信号幅度特征序列的类别标签；
训练集构建模块，用于将第一部分的所述二维信号幅度特征序列作为所述训练用电磁信号数据集中的数据；
其中：其中：所述一维信号幅度特征序列[A1,…,An]，所述二维信号附图特征序列为
Figure BDA0002499193040000031
可选地，所述训练集构建单元还包括验证集确定模块；所述验证集确定模块用于将第二部分的所述二维信号幅度特征序列作为验证用电磁信号数据集中的数据；所述验证用电磁信号数据集中的电磁信号数据均为具有类别标签的数据；
所述装置还包括验证模块，所述验证模块用于在将训练后的信号识别网络作为搜书电磁信号识别模型前，利用验证用电磁信号数据集中的电磁信号数据评价所述信号识别网络的准确率；
所述训练单元在在所述准确率达到设定阈值后，停止对所述电磁信号识别对抗网络的训练。
可选地，所述信号识别网络对应的损失函数为LD＝Lsupervised·(1-flag)·m+Lunsupervised，其中：Lsupervised为判别有类别标签的电磁信号数据时的损失函数；flag为电磁信号数据有无类别标签的标志，在电磁信号数据有类表标签的情况时flag＝0，在电磁信号数据有类表标签的情况时flag＝1；m为权重系数；Lunsupervised为判别无类别标签的电磁信号数据时的损失函数。
本说明书提供的方法在训练用电磁信号数据集中的数据仅部分具有类别标签的情况下，也能够得到用于信号识别的电磁信号识别网络，也就克服了某些领域中仅有少量电磁信号标签数据的弱监督条件下，电磁信号样本识别率低的问题。本说明书提供的方法既保留了生成对抗网络利用无类别标签提取特征的能力，又使得获得在具有类别标签下的监督模式下的数据分类能力。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本说明书实施例提供的基于半监督生成对抗网络的电磁信号识别模型构建方法；
图2是实施例提供的构建训练用电磁信号数据集的流程图；
图3是实施例提供的基于半监督生成对抗网络的电磁信号识别模型的构建装置的结构示意图；
其中：11-训练集构建单元，111-电磁信号获取模块，112-二维信号幅度特征序列确定模块，113-类别标签确定模块，114-训练集构建模块，12-训练单元，13-模型确定单元，14-识别单元。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
图1为本说明书实施例提供的基于半监督生成对抗网络的电磁信号识别模型构建方法。如图1所示，本实施例提供的方法包括步骤S101-S103。
S101：构建训练用电磁信号数据集。
构建训练用电磁信号数据集是一采集真实场景中的电磁波信号，并对电磁波信号进行加工处理，形成训练用电磁信号数据的过程。
图2是实施例提供的构建训练用电磁信号数据集的流程图。如图2所示，具体应用中，构建训练用电磁信号数据的步骤包括步骤S1011-S1015。
S1011：在获取模拟电磁波信号后，采用模数转换器形成数字信号。
S1012:对数字信号进行正交变换，得到I路信号序列xI(n)和Q路信号序列xQ(n)，并根据I路信号序列和Q路信号序列计算得到一维的信号幅度特征序列A(n)。
本实施例中，xI(n)＝[I1,…,In]，xQ(n)＝[Q1,…,Qn]，
Figure BDA0002499193040000051
Figure BDA0002499193040000052
i＝1,…n。
S1013：根据一维信号幅度特征序列生成二维信号幅度特征序列。
在具体应用中，步骤S1013可以有多种方式生成二维信号幅度特征序列。
第一种方式：在确定一维信号幅度特征信号生成序列A(n)＝[A1,…,An]，将二维信号幅度特征序列设置为
Figure BDA0002499193040000053
也就是其中任一Ai都没有重复。
第二种方式：将二维信号幅度特征序列设置为
Figure BDA0002499193040000054
其中
Figure BDA0002499193040000055
本实施例中，优选采用第二种方法确定二维信号幅度特征序列，以使得最终得到的二维信号幅度特征序列能够尽可能多的保持一维信号幅度特征序列的数据特征。
S1014：确定部分一维信号幅度特征序列对应的信号类别，将信号类别作为对应的二维信号幅度特征序列的类别标签。
步骤S1014中，是对电磁信号(也就是一维信号幅度特征序列)进行特征识别，以确定信号类别的过程。实际操作中，前述的识别可以由人工进行，也可以采用专用的信号处理设备、信号处理算法(例如卷积神经网络算法)实现，本实施例并不做特别地限定。
应当注意的是，步骤S1014中仅对部分一维信幅度特征序列进行类型识别。在实际应用中，可能未被识别类型的一维信号幅度特征序列的数量远大于识别信号类别的一维信号幅度特征序列。
S1015：将第一部分的二维信号幅度特征序列作为训练用电磁信号数据集中的数据。
步骤S1015中作为训练用电磁信号数据集中的数据既包括有类别标签的数据，也包括没有类别标签的数据。本实施例中，已经确定获取的电磁信号为c类信号中的一种，对应数据标签为c类信号的一种。
为了方便表示，本实施例中采用c+1维向量表示训练用电磁信号数据中数据的类型。其中：如果数据为没有类别标签，其采用[1,1,…,1,0]表示，1的数量为c个；如果有类别标签其采用[l1,l2,…,lc,0]表示，其中l1,l2,…,lc为类别标签。
S102：采用训练用电磁信号数据集中的电磁信号数据和噪声数据训练电磁信号识别对抗网络。
本实施例中，电磁信号识别对抗网络包括伪信号生成网络和信号识别网络。其中伪信号生成网络用于根据噪声数据生成伪信号数据，信号识别网络用于判断真实电磁信号数据和伪信号数据的真伪概率。
本实施例中：伪信号生成网络包括全连接层，Reshape层、反卷积层和激活层，输入层的大小可以根据输入噪声的大小确定，反卷积层的尺寸和个数可以输入噪声的大小和数据处理需求确定；信号识别网络包括Reshape层、全连接层和Softmax层；前述各层中，输入层的大小可以根据电磁信号数据的大小确定，卷积层的大小和个数可以根据电磁信号数据的大小确定，卷积层的尺寸和个数可以根据电磁信号数据和数据处理需求确定。
本实施例中，伪信号生成网络根据输入的噪声信号生成的伪信号数据的标签采用[0,0,…,0,1]表示，其中0的数量为c个。可以想到，采用此方法，所有用于输入信号识别网络的数据均采用了c+1维的向量表示。并且，通过标签可以确定出数据是有类型标签数据、无类型标签数据还是伪信号数据。如此，可以由伪信号生成网络生成的伪数据和无类别标签的真实数据的区分仍然是一个二分问题，因此可以实现电磁信号识别对抗网络的无监督提取特征的能力；前述标注方式还可以统一无监督模式和有监督模式的信号识别网络的输出；也就是说，本实施例提供的电磁信号识别对抗网络为一半监督识别对抗网络。
如现有技术的电磁信号识别对抗网络，伪信号生成网络和信号识别网络均具有对应的损失函数，以利用损失函数判定相应的网络的准确程度。
本说明书实施例中，伪信号生成网络的损失函数为
Figure BDA0002499193040000071
其中G为伪信号生成网络，它接收随机噪声生成伪信号数据G(z)，D为信号识别网络。
本说明书实施例中，信号识别网络的损失函数采用LD＝Lsupervised·(1-flag)·m+Lunsupervised表示。
其中，Lsupervised为判别有类别标签的电磁信号数据时的损失函数，本实施中，
Figure BDA0002499193040000072
对于Lsupervised，因为输入的都是真实电磁信号数据，而第c+1维标签为0，所以类别y＜c+1，总在前c维内取。
flag为电磁信号数据有无类别标签的标志，在电磁信号数据有类表标签的情况时flag＝0，在电磁信号数据有类别标签的情况时flag＝1；m为权重系数，实际应用中，m多设置为大于1的数值。
Lunsupervised为判别无类别标签的电磁信号数据时的损失函数。本实施例中，
Figure BDA0002499193040000073
其中，Ex～Glog[Px(y＝c+1|x)]}表示了由伪信号生成网络生成的伪信号数据部分；因为伪信号数据标签的第c+1维为1前c维为0，所以分类器要将预测结果判定为y＝c+1。
Figure BDA0002499193040000074
代表真实电磁信号数据部分，它只有第c+1维为0，前c维都为1，只要信号识别网络不将其预测成第c+1维则成立，所以是[1-Px(y＝c+1|x)]。
以下，对训练电磁信号识别对抗网络的过程做分析：首先，固定伪信号生成网络，输入随机信号，使得伪信号生成网络输出伪信号数据，并对伪信号数据设置标签[0,0,…,0,1]；随后，采用伪信号数据、训练用电磁信号数据集中的数据作为信号识别网络的输入，得到判别结果，并利用判别结果和标签数据计算信号识别网络的损失函数；待根据损失函数确定信号判别网络的输出稳定后，固定信号识别网络；随后，采用随机噪声输入到伪信号生成网络，得到为信号数据，此时将伪数据设置标签为临时真实数据标签[1,1,…,1,0]，将伪数据输入到信号判别网络，得到判别结果，根据判别结果和临时真实数据标签确定伪信号输出网络的损失函数；待根据损失函数确定伪信号生成网络的输出稳定后，固定伪信号生成网络；采用前述的步骤训练，直至一定的程度，得到最后的伪信号生成网络和信号判别网络。
S103：将训练后的信号识别网络作为电磁信号识别模型。
S104：利用电磁信号识别模型识别新接收到的电磁信号的类型。
在S103确定电磁信号识别模型后，针对新接收到的电磁信号，在对其进行处理得到符合电磁信号识别模型(也就是信号识别网络)的输入数据后(按照步骤S101中的对应的步骤处理电磁信号得到二维信号幅度特征序列)，可以将输入数据输入电磁信号识别模型，得到输出结果；输出结果显示此电磁信号的类型。
采用前述的方法，本说明书实施例在训练用电磁信号数据集中的数据仅部分具有类别标签的情况下，也能够得到用于信号识别的电磁信号识别网络，也就克服了某些领域中仅有少量电磁信号标签数据的弱监督条件下，电磁信号样本识别率低的问题。本实施例的方法既保留了生成对抗网络利用无类别标签提取特征的能力，又使得获得在具有类别标签下的监督模式下的数据分类能力。
本实施例具体应用中，在步骤S101确定训练用电磁信号数据集的数据的同时，还可以将第二部分的二维信号幅度特征序列作为验证用电磁信号数据集中的数据。应当注意的是，验证用电磁信号数据集中的数据均为有类别标签的数据，并且这些数据并不是第一部分的组成部分。
随后在执行步骤S103前，包括S1021-S1022。
S1021：利用验证用电磁信号数据集中的电磁信号数据评价信号识别网络的准确率。
S1022：判断准确率是否达到设定阈值；若是，执行S103；若否，继续执行S102的交替训练步骤，或者在损失函数无法收敛的情况下，停止训练。
本实施例中，为了能够较为准确地确定信号识别网络的识别效果，并没有直接将训练后的信号识别网络作为电磁信号识别模型，而是利用验证用电磁信号数据集进行测试验证达到标准后，才将信号识别网络作为电磁信号识别模型。当然，在其他实施例中也可以不执行前述的S1021-S1022，而是在信号识别网络和伪信号生成网络的损失函数仅达到设定值后，直接将信号识别网络作为电磁信号识别模型。
除了提供前述的基于半监督生成对抗网络的电磁信号识别模型构建装置外，本说明书实施还提供一种电磁信号识别模型构建装置。因为电磁信号识别模型构建装置和前述的方法采用相同的发明构思，因此下文仅就构建装置的结构做介绍，相关的技术问题和技术效果可以参见前文表述。
图2是实施例提供的基于半监督生成对抗网络的电磁信号识别模型的构建装置的结构示意图。如图2所示，本实施例提供的装置包括训练集构建单元11、训练单元12、模型确定单元13和识别单元14。
训练集构建单元11用于构建训练用电磁信号数据集；训练用电磁信号数据集包括有类别标签的真实电磁信号数据和无标签的真实电磁信号数据；
训练单元12用于采用训练用电磁信号数据集中的电磁信号数据和噪声数据训练电磁信号识别对抗网络；电磁信号识别对抗网络包括伪信号生成网络和信号识别网络；伪信号生成网络用于根据噪声数据生成伪信号数据；信号识别网络用于判别真实电磁信号数据和伪信号数据的真伪；
模型确定单元13用于将训练后的信号识别网络作为电磁信号识别模型；
识别单元14用于利用电磁信号识别模型识别新接收到的电磁信号的类型。
在一个具体应用中，训练集构建单元11包括电磁信号获取模块111、二维信号幅度特征序列确定模块112、类别标签确定模块113和训练集构建模块114。
电磁信号获取模块111用于获取电磁信号，生成电磁信号的一维信号幅度特征序列；二维信号幅度特征序列确定模块112，用于根据一维信号幅度特征序列生成二维信号幅度特征序列；类别标签确定模块113用于确定部分一维信号幅度特征序列对应的信号类别，将信号类别作为对应二维信号幅度特征序列的类别标签；训练集构建模块114，用于将第一部分的二维信号幅度特征序列作为训练用电磁信号数据集中的数据；其中：其中：一维信号幅度特征序列[A1,…,An]，二维信号附图特征序列为
Figure BDA0002499193040000101
在一个具体应用中，训练集构建单元11还包括验证集确定模块；验证集确定模块用于将第二部分的二维信号幅度特征序列作为验证用电磁信号数据集中的数据；验证用电磁信号数据集中的电磁信号数据均为具有类别标签的数据；装置还包括验证模块，验证模块用于在将训练后的信号识别网络作为搜书电磁信号识别模型前，利用验证用电磁信号数据集中的电磁信号数据评价信号识别网络的准确率；训练单元12在在准确率达到设定阈值后，停止对电磁信号识别对抗网络的训练。
在一个具体应用中，信号识别网络对应的损失函数为LD＝Lsupervised·(1-flag)·m+Lunsupervised，其中：Lsupervised为判别有类别标签的电磁信号数据时的损失函数；flag为电磁信号数据有无类别标签的标志，在电磁信号数据有类表标签的情况时flag＝0，在电磁信号数据有类表标签的情况时flag＝1；m为权重系数；Lunsupervised为判别无类别标签的电磁信号数据时的损失函数。
除了提供前述的方法和装置外，本说明书实施例还提供一种电子设备。电子设备包括存储器和处理器。存储器存储由程序代码；处理器加载程序代码后，可以执行如前的方法。为了适应数据输入和输出的需求，电子设备还包括输入部件和输出部件，其中输入部件可以是键盘或者鼠标等直接用于输入电磁信号数据的设备，也可以是采集环境中电磁信号并将电磁信号转换为电磁信号数据、以及对部分电磁信号数据添加标签的天线和信号处理器的组合。电子设备的输出设备可以是显示器，也可以是打印机等设备。
此外，本说明书实施例还提供一种存储介质，存储介质包括中存储有程序代码；在前述程序代码被加载后可以用于执行前述实施例提及的电磁信号识别模型构建方法。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于半监督生成对抗网络的电磁信号识别方法，其特征在于，包括：
构建训练用电磁信号数据集；所述训练用电磁信号数据集包括有类别标签的真实电磁信号数据和无标签的真实电磁信号数据；
采用所述训练用电磁信号数据集中的电磁信号数据和噪声数据训练电磁信号识别对抗网络；所述电磁信号识别对抗网络包括伪信号生成网络和信号识别网络；所述伪信号生成网络用于根据所述噪声数据生成伪信号数据；所述信号识别网络用于判别所述真实电磁信号数据和所述伪信号数据的真伪概率；
将训练后的信号识别网络作为电磁信号识别模型；
利用所述电磁信号识别模型识别新接收到的电磁信号的类型。
2.根据权利要求1所述的方法，其特征在于，所述构建训练用电磁信号数据集，包括：
获取电磁信号，生成电磁信号的一维信号幅度特征序列；
根据所述一维信号幅度特征序列生成二维信号幅度特征序列；
确定部分所述一维信号幅度特征序列对应的信号类别，将所述信号类别作为对应所述二维信号幅度特征序列的类别标签；
将第一部分的所述二维信号幅度特征序列作为所述训练用电磁信号数据集中的数据；
其中：所述一维信号幅度特征序列[A1,…,An]，所述二维信号附图特征序列为
Figure FDA0002499193030000011
3.根据权利要求2所述的方法，其特征在于，还包括：将第二部分的所述二维信号幅度特征序列作为验证用电磁信号数据集中的数据；所述验证用电磁信号数据集中的电磁信号数据均为具有类别标签的数据；
在将训练后的信号识别网络作为所述电磁信号识别模型前，利用所述验证用电磁信号数据集中的电磁信号数据评价所述信号识别网络的准确率；
在所述准确率达到设定阈值后，停止对所述电磁信号识别对抗网络的训练。
4.根据权利要求1所述的方法，其特征在于，所述信号识别网络对应的损失函数为LD＝Lsupervised·(1-flag)·m+Lunsupervised，其中：Lsupervised为判别有类别标签的电磁信号数据时的损失函数；flag为电磁信号数据有无类别标签的标志，在电磁信号数据有类表标签的情况时flag＝0，在电磁信号数据有类表标签的情况时flag＝1；m为权重系数；Lunsupervised为判别无类别标签的电磁信号数据时的损失函数。
5.根据权利要求4所述的方法，其特征在于，所述权重系数m大于1。
6.一种基于半监督生成对抗网络的电磁信号识别模型构建装置，其特征在于，包括：
训练集构建单元，用于构建训练用电磁信号数据集；所述训练用电磁信号数据集包括有类别标签的真实电磁信号数据和无标签的真实电磁信号数据；
训练单元，用于采用所述训练用电磁信号数据集中的电磁信号数据和噪声数据训练电磁信号识别对抗网络；所述电磁信号识别对抗网络包括伪信号生成网络和信号识别网络；所述伪信号生成网络用于根据所述噪声数据生成伪信号数据；所述信号识别网络用于判别所述真实电磁信号数据和所述伪信号数据的真伪；
模型确定单元，用于将训练后的信号识别网络作为电磁信号识别模型；
识别单元，用于利用所述电磁信号识别模型识别新接收到的电磁信号的类型。
7.根据权利要求6所述的装置，其特征在于，所述训练集构建单元包括：
电磁信号获取模块，用于获取电磁信号，生成电磁信号的一维信号幅度特征序列；
二维信号幅度特征序列确定模块，用于根据所述一维信号幅度特征序列生成二维信号幅度特征序列；
类别标签确定模块，用于确定部分所述一维信号幅度特征序列对应的信号类别，将所述信号类别作为对应所述二维信号幅度特征序列的类别标签；
训练集构建模块，用于将第一部分的所述二维信号幅度特征序列作为所述训练用电磁信号数据集中的数据；
其中：其中：所述一维信号幅度特征序列[A1,…,An]，所述二维信号附图特征序列为
Figure FDA0002499193030000021
8.根据权利要求7所述的装置，其特征在于，
所述训练集构建单元还包括验证集确定模块；所述验证集确定模块用于将第二部分的所述二维信号幅度特征序列作为验证用电磁信号数据集中的数据；所述验证用电磁信号数据集中的电磁信号数据均为具有类别标签的数据；
所述装置还包括验证模块，所述验证模块用于在将训练后的信号识别网络作为搜书电磁信号识别模型前，利用所述验证用电磁信号数据集中的电磁信号数据评价所述信号识别网络的准确率；
所述训练单元在在所述准确率达到设定阈值后，停止对所述电磁信号识别对抗网络的训练。
9.根据权利要求6所述的装置，其特征在于，所述信号识别网络对应的损失函数为LD＝Lsupervised·(1-flag)·m+Lunsupervised，其中：Lsupervised为判别有类别标签的电磁信号数据时的损失函数；flag为电磁信号数据有无类别标签的标志，在电磁信号数据有类表标签的情况时flag＝0，在电磁信号数据有类表标签的情况时flag＝1；m为权重系数；Lunsupervised为判别无类别标签的电磁信号数据时的损失函数。
10.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有程序代码；所述处理器加载所述程序代码后，执行如权利要求1-5任一项所述的方法。
CN202010427345.0A 2020-05-19 2020-05-19 基于半监督生成对抗网络的电磁信号识别方法 Pending CN111598020A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010427345.0A CN111598020A (zh) 2020-05-19 2020-05-19 基于半监督生成对抗网络的电磁信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010427345.0A CN111598020A (zh) 2020-05-19 2020-05-19 基于半监督生成对抗网络的电磁信号识别方法

Publications (1)

Publication Number Publication Date
CN111598020A true CN111598020A (zh) 2020-08-28

Family

ID=72185875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010427345.0A Pending CN111598020A (zh) 2020-05-19 2020-05-19 基于半监督生成对抗网络的电磁信号识别方法

Country Status (1)

Country Link
CN (1) CN111598020A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112603337A (zh) * 2020-12-21 2021-04-06 广东海洋大学 一种脑电信号识别方法
CN113691335A (zh) * 2021-08-23 2021-11-23 北京航空航天大学 一种覆盖多类损耗因素的通用电磁信号数据集构建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564039A (zh) * 2018-04-16 2018-09-21 北京工业大学 一种基于半监督深层生成对抗网络的癫痫发作预测方法
CN108809874A (zh) * 2018-07-11 2018-11-13 河海大学 一种基于循环支持向量机的雷达与通信多信号分类方法
CN109934269A (zh) * 2019-02-25 2019-06-25 中国电子科技集团公司第三十六研究所 一种电磁信号的开集识别方法和装置
CN110197127A (zh) * 2019-05-06 2019-09-03 安徽继远软件有限公司 基于深度学习的无线信号检测与电磁干扰分类系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564039A (zh) * 2018-04-16 2018-09-21 北京工业大学 一种基于半监督深层生成对抗网络的癫痫发作预测方法
CN108809874A (zh) * 2018-07-11 2018-11-13 河海大学 一种基于循环支持向量机的雷达与通信多信号分类方法
CN109934269A (zh) * 2019-02-25 2019-06-25 中国电子科技集团公司第三十六研究所 一种电磁信号的开集识别方法和装置
CN110197127A (zh) * 2019-05-06 2019-09-03 安徽继远软件有限公司 基于深度学习的无线信号检测与电磁干扰分类系统及方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
TIM SALIMANS: "Improved Techniques for Training GANs", pages 1 - 10 *
佟博: "基于生成对抗网络的轴承失效信号生成研究", 电子科技, pages 28 - 34 *
朱克凡: "基于GAN的半监督低分辨雷达目标识别算法", pages 57 - 63 *
朱克凡: "小样本条下SCGAN+CNN低分辨率雷达目标一步识别算法", 系统工程与电子技术, pages 67 - 75 *
许哲豪: "基于生成对抗网络的图片风格迁移", 软件导刊, pages 207 - 209 *
陈俊达: "深度学习方法在雷达信号识别若干问题上的研究与应用", pages 1 - 75 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112603337A (zh) * 2020-12-21 2021-04-06 广东海洋大学 一种脑电信号识别方法
CN113691335A (zh) * 2021-08-23 2021-11-23 北京航空航天大学 一种覆盖多类损耗因素的通用电磁信号数据集构建方法
CN113691335B (zh) * 2021-08-23 2022-06-07 北京航空航天大学 一种覆盖多类损耗因素的通用电磁信号数据集构建方法

Similar Documents

Publication Publication Date Title
CN110598530A (zh) 一种基于acgan的小样本无线电信号增强识别方法
CN111914919A (zh) 基于深度学习的开放集辐射源个体识别方法
CN111062036A (zh) 恶意软件识别模型构建、识别方法及介质和设备
CN111598020A (zh) 基于半监督生成对抗网络的电磁信号识别方法
US20200134487A1 (en) Apparatus and method for preprocessing security log
Wang et al. Multi-task Joint Sparse Representation Classification Based on Fisher Discrimination Dictionary Learning.
CN112149754A (zh) 一种信息的分类方法、装置、设备及存储介质
CN117218707B (zh) 一种基于积极扰动的Deepfake人脸检测方法
CN111353514A (zh) 模型训练方法、图像识别方法、装置及终端设备
Su et al. Boosting image steganalysis under universal deep learning architecture incorporating ensemble classification strategy
CN116189800B (zh) 基于气体检测的模式识别方法、装置、设备及存储介质
CN117516937A (zh) 基于多模态特征融合增强的滚动轴承未知故障检测方法
CN115062685A (zh) 一种故障诊断方法、装置、电子设备及存储介质
CN116263785A (zh) 跨领域文本分类模型的训练方法、分类方法和装置
CN113688655B (zh) 干扰信号的识别方法、装置、计算机设备和存储介质
CN111967426A (zh) 车辆重识别方法、装置、电子设备及介质
Shi et al. SDNet: Image‐based sonar detection network for multi‐scale objects
CN117058432B (zh) 图像查重方法、装置、电子设备及可读存储介质
CN115022001B (zh) 域名识别模型的训练方法、装置、电子设备及存储介质
CN116912920B (zh) 表情识别方法及装置
CN113239237B (zh) 跨媒体大数据搜索方法及装置
CN116992299B (zh) 区块链交易异常检测模型的训练方法、检测方法及装置
CN117574245B (zh) 一种应用于山地勘探的智能检波器指标自检方法及系统
Zhang et al. A combination network of CNN and transformer for interference identification
CN114399005B (zh) 一种活体检测模型的训练方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination