信号数据扩增方法

Augment

Data Augmentation for Deep Learning-Based Radio Modulation Classification这篇文章写得不错，总结了三种常用的信号数据的扩增方式。文章中实验证明旋转优于翻转优于加噪。但我们的实验结果说明翻转优于旋转优于加噪，且加噪效果很差。这可能由于数据集的不同。另外从理论上而言，翻转不会引入噪声，而旋转会引入相位噪声，所以理论上翻转应该优于旋转。若有不同理解欢迎讨论。

flip

分别对应原始样本，竖直翻转，水平反转，竖直和水平反转。

rotation

分别对应旋转0°，旋转90°，旋转180°，旋转270°。

add guassian noise

加入零均值，方差分别为：$\sigma =0$​，$\sigma =0.05$​，$\sigma =0.1$​，$\sigma =0.2$​的噪声。此处方差选择应该根据信号的幅度大小实验选择。

flip and rotation

flip和rotation联合扩增中，可以看到红色框和蓝色框重复，所以只能扩充到原始样本的6倍大小。

在我们的实验中，得到了与文章不同的实验结果：

Method	flip	rotation	noise	f+r
Average acc	95.037	94.7545	82.251	96.43

Method	flip	rotation	noise	f+r
Average acc	72.7880	72.69	64.064	73.444

加高斯噪声差很多；flip应该略好于rotation，物理意义上flip并没有改变原本信号，而rotation加入了相位噪声。flip+rotation确实优于任意一种单独扩增。

实现代码

此处输入信号的维度为[batch, dim, length]，即IQ通道在第二维度。例如一个1024采样点的IQ信号size为[1, 2, 1024]。函数都可以实现batch处理。
flip
输入信号和标签完成4倍扩充。

def flip(inputs, label):
    flip_v = torch.zeros_like(inputs)
    flip_h = torch.zeros_like(inputs)
    flip_v_h = torch.zeros_like(inputs)
    flip_v[:, 0, :] = inputs[:, 0, :]
    flip_v[:, 1, :] = -inputs[:, 1, :]
    flip_h[:, 0, :] = -inputs[:, 0, :]
    flip_h[:, 1, :] = inputs[:, 1, :]
    flip_v_h[:, 0, :] = -inputs[:, 0, :]
    flip_v_h[:, 1, :] = -inputs[:, 1, :]
    return torch.cat([inputs, flip_v, flip_h, flip_v_h], dim=0), torch.cat([label, label, label, label], dim=0)

rotation
输入信号和标签，还要输入旋转的角度(type为list)，例如theta=[0, pi/2, pi, 3*pi/2]，扩充为原来的4倍。

def rotation(inputs, label, theta: list):
    out = []
    label_list = []
    for r in theta:
        i_data = inputs[:, 0, :]
        q_data = inputs[:, 1, :]
        i_data_gen = math.cos(r)*i_data-math.sin(r)*q_data
        q_data_gen = math.sin(r)*i_data+math.cos(r)*q_data
        out.append(torch.cat([i_data_gen.unsqueeze(1), q_data_gen.unsqueeze(1)], dim=1))
        label_list.append(label)

    return torch.cat(out, dim=0), torch.cat(label_list, dim=0)

add guassian noise
用法同上，输入信号和标签及高斯噪声的方差list，注意是方差，不是标准差。扩充为原来的4倍。

def addguassiannoise(inputs, label, theta_2_all: list):
    data_gen = []
    label_gen = []
    for theta_2 in theta_2_all:
        noise = torch.normal(mean=0, std=theta_2, size=inputs.shape).cuda()
        data_gen.append(inputs+noise)
        label_gen.append(label)
    return torch.cat(data_gen, dim=0), torch.cat(label_gen, dim=0)

flip and rotation
调用flip和rotation两个方法，并且因为rotation 0°和180°与flip中重复，是冗余的扩增，所以只翻转90°和270°，扩充为原来的6倍。

def rotation_flip(inputs, label):
    flip_data, flip_label = flip(inputs, label)
    r_data, r_label = rotation(inputs, label, [math.pi/2, 3/2*math.pi])
    return torch.cat([flip_data, r_data], dim=0), torch.cat([flip_label, r_label], dim=0)