基于半监督学习的无线信号调制方式分类方法研究

摘要

自编码器由编码器与解码器组成，编码器将输入数据转换为中间层表示特征，解码器利用中间层表示特征对输入数据进行重构。自编码器作为一种功能强大的特征提取器，可应用于自动调制分类(AutomaticModulation Classification,AMC)，AMC能自动识别出无线信号的调制方式，在认知无线电和无线电频谱监测以及其它民用和军事领域中发挥着关键作用。 由自编码器组成的深层网络可通过无监督学习提取出输入数据的抽象特征，但深层网络在提取抽象特征的同时会丢弃大量的细节特征，而其中某些细节特征能有效提高调制方式分类准确率。为此，本文提出了基于改进型堆叠卷积降噪自编码器(Stacked Convolutional Denoising Autoencoders, SCDAE)的特征提取方法，改进型SCDAE在其低层网络与高层网络之间添加了一条连接通道，使得低层网络提取的细节特征与高层网络提取的抽象特征能有效融合，利用改进型SCDAE进行无线信号特征提取时，首先需要使用经过噪声破坏的无线信号数据训练网络，训练的目标是使SCDAE解码器输出的重构数据尽可能接近原始的输入数据，网络训练完成后，将无线信号数据输入SCDAE编码器，编码器的输出即为提取到的信号特征。该方法结合了降噪自编码器与卷积神经网络的优点，能提取出具有良好表示性能和鲁棒性的特征。本文还研究了迭代次数、批尺寸大小、卷积核尺寸、卷积核个数和加权参数对特征提取方法性能的影响。实验结果表明，本文提出的特征提取方法能提取出高质量的信号特征。 当有标签的无线信号数据样本不足时，有监督调制分类方法在训练过程中会出现过拟合现象，这将导致调制方式分类准确率大幅下降。基于自编码器的半监督分类模型由无监督预训练与有监督微调两个部分组成，可利用大量容易获取的无标签无线信号数据提高网络泛化性能。但有监督微调与无监督预训练两个阶段的训练过程相互独立，分类误差与重构误差无法同时达到最小，导致无标签数据改善网络泛化性能的效果被削弱。针对这个问题，本文提出了基于改进型SCDAE的半监督调制方式分类模型，在该模型中，无监督训练与有监督训练交替进行直至收敛，使得无监督训练学习到的泛化能力与有监督训练学习到的分类能力同时达到最佳状态。在有标签数据不足而无标签数据充足的情况下，本文提出的半监督调制方式分类模型比有监督模型提高了11%的分类准确率。

目录

第一个书签之前