基于辅助分类器和变分自编码生成对抗网络的干扰识别

针对基于深度学习干扰识别方法在小样本集情况下性能恶化问题,提出一种基于辅助分类器和变分自编码生成对抗网络(AC-VAEGAN)的干扰识别方法。利用生成对抗网络和变分自编码器的核心思想设计识别模型,得到连续有意义的干扰样本集潜在空间;确定编码器、生成器和鉴别器的损失函数,且鉴别器采用动态学习率的优化算法,使得模型训练过程更加有效且稳定。仿真结果表明,在干扰时频图小样本数据集情况下,当干噪比为-10 dB~10 dB时,该方法对宽带噪声干扰、部分频带噪声干扰、单音干扰、多音干扰、脉冲干扰、跳频干扰、线性扫频干扰和二次扫频干扰这八种干扰的正确识别率均高于ACGAN和CNN。