一种基于自监督学习的电磁调制信号深度去噪方法及系统与流程

技术特征：
1.一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述方法包括以下步骤：s1，利用电磁信号公开数据集的生成源码和gnu radio软件，生成含高斯噪声的信号和干净的信号；s2，利用下采样，将s1中含噪声的信号进行预处理，得到两组新数据，并对应组成数据对，按设定比例，分成训练集和测试集；s3，构建深度去噪网络模型，并定义损失函数，将s2中训练集中数据对分别作为深度去噪网络的输入信号和目标信号进行训练；s4，利用s3中训练好的深度去噪网络模型，对测试集中含噪声的信号进行去噪。2.如权利要求1所述的一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述步骤s1包括以下子步骤：s1.1，利用电磁信号生成公开数据集的源码和gnu radio软件，调整相应参数，生成信噪比为12db的含高斯噪声的信号和干净信号；s1.2，经过数据切片后，得到8psk、bpsk、cpfsk、gfsk、pam4、qam16、qam64、qpsk、wbfm这9种调制类别的数据各1000个，共9000个数据。3.如权利要求1或2所述的一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述步骤s2过程如下：对数据结构为(none，2，128)的训练集中的含噪声的信号数据y，分别进行两次下采样操作得到两组数据结构都为(none，2，64)的数据g1(y)和g2(y)，并按设定比例，分成训练集和测试集。4.如权利要求1或2所述的一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述步骤s3包括以下子步骤：s3.1，定义深度去噪网络模型，该模型由6层卷积层和6层逆卷积层构成；s3.2，定义深度去噪网络模型的损失函数(g_loss)，具体为l2损失、连续性差值损失(tv_loss)的组合；s3.3，定义模型优化器，采用adam优化器和衰减学习率进行模型优化；s3.4，使用s2中得到的数据对进行训练，其中可以将训练集中数据对中任意一组数据作为输入信号，另外一组作为目标信号。5.如权利要求1或2所述的一种基于自监督学习的电磁调制信号深度去噪方法，其特征在于：所述步骤s4包括以下子步骤：s4.1，取出s3.1定义的深度去噪网络模型，载入训练好的参数；s4.2，将测试集中的含噪声的信号输入到深度去噪网络模型中，输出去噪信号。6.一种如权利要求1所述的基于自监督学习的电磁调制信号深度去噪方法实现的系统，其特征在于，所述系统包括数据发送模块、数据接收模块和去噪模块；所述数据发送模块，在发射端上，利用gnu radio软件和usrp e320硬件设备实现数据的发送；所述数据接收模块，在接收端上，利用gnu radio软件和usrp n310硬件设备实现数据
的接收；所述去噪模块，在接收端上的gnu radio软件中添加去噪模块，将切片后的接收数据输入到去噪模块中，输出去噪数据；所述数据发送模块、数据接收模块、去噪模块依次连接。

技术总结
一种基于自监督学习的电磁调制信号深度去噪方法及系统，包括：S1，使用GNU Radio软件生成数据集；S2，使用了下采样方法将一个信号数据分为两个短信号数据；S3，构建深度去噪网络模型，并定义损失函数，利用生成的两组数据作为输入信号和目标信号进行训练；S4，输出去噪信号。方法中提及的下采样方法将一个信号分为了两个相似信号，保留了信号本身的特征，又区分了其中的噪声分布，使得仅含有噪声信号就可以训练去噪网络。本发明还包括一种基于自监督学习的电磁调制信号去噪系统，由依次连接的数据发送模块、数据接收模块和去噪模块组成。本发明不需要干净信号就能进行去噪，能够自适应学习信号特性，且具有较好的普适性。且具有较好的普适性。且具有较好的普适性。


技术研发人员：黄亮 姚虹蛟 高顺成 傅晨波 徐东伟 宣琦
受保护的技术使用者：浙江工业大学
技术研发日：2021.07.08
技术公布日：2021/10/23