CN114528876A - 基于改进原型网络的小样本信号自动调制识别方法 - Google Patents

基于改进原型网络的小样本信号自动调制识别方法 Download PDF

Info

Publication number
CN114528876A
CN114528876A CN202210111305.4A CN202210111305A CN114528876A CN 114528876 A CN114528876 A CN 114528876A CN 202210111305 A CN202210111305 A CN 202210111305A CN 114528876 A CN114528876 A CN 114528876A
Authority
CN
China
Prior art keywords
layer
sample
signal
training
prototype
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
CN202210111305.4A
Other languages
English (en)
Inventor
周峰
谭浩月
王力
石晓然
白雪茹
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
Original Assignee
Xidian University
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 filed Critical Xidian University
Priority to CN202210111305.4A priority Critical patent/CN114528876A/zh
Publication of CN114528876A publication Critical patent/CN114528876A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明涉及信号调制识别技术领域，具体涉及基于改进原型网络的小样本信号自动调制识别方法。本发明设计的改进原型神经网络可以将调制信号映射成对信噪比不敏感的嵌入向量，降低了嵌入向量对单个样本信噪比变化的敏感性，有效提高信号调制类型的识别准确率；并在信号调制类型识别中，只需要少量训练样本就能获得较高的准确率。

Description

基于改进原型网络的小样本信号自动调制识别方法
技术领域
本发明涉及信号调制识别技术领域，具体涉及基于改进原型网络的小样本信号自动调制识别方法。
背景技术
信号调制分类(信号自动调制识别)是一种研究识别无线电信号的调制分类方法。信号自动调制识别能够识别接收信号的调制方式，从而监控干扰信号，在频谱检测领域发挥重要作用，已经广泛应用于军事和民用信号处理领域。
传统的信号自动调制识别方法根据分类策略的不同，可以划分为基于决策理论的方法和基于模式识别的方法。这两种方法通常需要大量的数据来提供先验知识，并且其效率较低且通用性较差。
随着深度学习的发展，由于其强大的自动特征提取和表达能力，研究人员对其在信号自动调制识别领域的应用进行了深入研究，提出了许多基于深度学习的信号自动调制识别方法，例如：卷积神经网络、降噪自编码器、长短期记忆网络等。但基于深度学习的信号自动调制识别方法通常需要大量的数据信息来保证特征提取的有效性和调制类型识别的准确性。而在实际情况中，通信信号的截获通常具有很大的偶然性，很难获取到同一种调制方式的大量信号样本信息。尤其在战场侦察等特殊场景下，仅能获取到某些调制类型的少数信号样本信息。因此，研究如何在只有少量的信号样本的情况下进行调制类型的识别在信号自动调制识别领域具有重要的意义。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供基于改进原型网络的小样本信号自动调制识别方法，解决了传统识别方法中每类待识别调制信号都需要数百个甚至更多标注的训练样本的问题，实现了对包含少数几个训练样本的信号调制类型识别。
为了达到上述目的，本发明采用以下技术方案予以实现。
基于改进原型网络的小样本信号自动调制识别方法，包括以下步骤：
步骤1，获取训练样本集和测试样本集；从训练样本集中选取出训练支撑集和训练查询集，从测试样本集中选取出测试支撑集和测试查询集；
步骤2，构建残差块-编码器原型神经网络，即改进原型网络；
步骤3，使用训练支撑集和训练查询集对改进原型网络进行训练，获得训练好的改进原型网络；
步骤4，使用训练好的改进原型神经网络对测试查询集内每个样本的信号类别进行识别。
与现有技术相比，本发明的有益效果为：设计的改进原型神经网络可以将调制信号映射成对信噪比不敏感的嵌入向量，降低了嵌入向量对单个样本信噪比变化的敏感性，有效提高信号调制类型的识别准确率；并在信号调制类型识别中，只需要少量训练样本就能获得较高的准确率。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明基于改进原型网络的小样本信号自动调制识别方法的流程图；
图2为本发明实施例的改进原型网络的结构图；
图3为本发明实施例的改进原型网络实现训练与测试的框架图；
图4为本发明实施例实验的识别正确率直方图；
图4(a)为实验1的识别正确率直方图，图4(b)为实验2的识别正确率直方图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
参考图1，基于改进原型网络的小样本信号自动调制识别方法，包括以下步骤：
步骤1，获取训练样本集和测试样本集；从训练样本集中选取出训练支撑集和训练查询集，从测试样本集中选取出测试支撑集和测试查询集；
具体的，本实施例样本从RML2016.10.a数据集中选取；
训练样本集包含M类调制信号，每类调制信号包含在10个不同信噪比(10个信噪比分别为0dB、2dB、4dB、6dB、8dB、10dB、12dB、14dB、16dB、18dB)下的
Figure BDA0003495074860000031
个信号；
测试样本集包含N类调制信号，每类调制信号包含在10个不同信噪比(10个信噪比分别为0dB、2dB、4dB、6dB、8dB、10dB、12dB、14dB、16dB、18dB)下的
Figure BDA0003495074860000032
个信号；
其中，每个信号大小为2×128，M≥5＞N，N≥2，
Figure BDA0003495074860000033
本实施例取M＝8，
Figure BDA0003495074860000034
N＝3，
Figure BDA0003495074860000035
从训练样本集中随机选取随机选取C类调制信号，再从C类调制信号中的每类调制信号中选取m个样本，将随机选取C×m个样本作为训练支撑集，将C类调制信号中剩余的
Figure BDA0003495074860000036
个样本作为训练查询集；再将每个样本对应的调制信号类别作为标签加入对应样本所在的样本集中；
从测试样本集中的每类调制信号中随机选取m个样本作为测试支撑集，即N×m个样本作为测试支撑集，剩余的
Figure BDA0003495074860000041
个样本作为测试查询集；再将测试支撑集中每个样本对应的调制信号类别作为标签加入测试支撑集中；
即最终训练支撑集、训练查询集和测试支撑集包含标签，测试查询集未包含标签。
其中C＝N，m≤10，测试样本集中的调制信号类别与训练支撑集、训练查询集中的调制信号类别不同；本实施例取m＝1或5。
步骤2，构建残差块-编码器原型神经网络，即改进原型网络；
具体的，改进原型网络包含多个卷积层、多个ReLU激活层、多个批规范化层、多个层规范化层、三个多头自注意力层、原型模块和基于欧几里得距离的分类器；
参考图2，改进原型网络包含依次连接的第一卷积层、第一批规范化层、第一ReLU激活层、第二卷积层、第二批规范化层、第二ReLU激活层、第一多头自注意层、第一层规范化层、第三卷卷积层、第三批规范化层、第三ReLU激活层、第四卷积层、第四批规范化层、第四ReLU激活层、第二层规范化层、第二多头自注意力层、第三层规范化层、第五卷积层、第五批规范化层、第五ReLU激活层、第六卷积层、第六批规范化层、第六ReLU激活层、第四层规范化层、第三多头自注意力层、第五层规范化层、第七卷积层、第七批规范化层、第七ReLU激活层、第八卷积层、第八批规范化层、第八ReLU激活层、第六层规范化层、原型模块和基于欧几里得距离的分类器；
改进原型网络中，第一卷积层和第二卷积层的卷积核大小均为3×3，步长均为1，卷积核个数均为16，填充均为1；第三卷积层、第五卷积层和第七卷积层的卷积核大小均为1×1，步长均为1，卷积核个数均为512，均无填充；第四卷积层、第六卷积层和第八卷积层的卷积核大小均为1×1，步长均为1，卷积核个数均为128，均无填充；第一多头自注意力层、第二多头自注意力层和第三多头注意力层的头数均为4。
步骤3，使用训练支撑集和训练查询集对改进原型网络进行训练，获得训练好的改进原型网络；
具体的，参考图3，步骤3的子步骤如下：
子步骤3.1，设置最大迭代次数为T，T≥4000，初始化迭代次数t＝0；
子步骤3.2，获取训练支撑集和训练查询集中每个样本的样本序列；
子步骤3.3，将样本序列作为改进原型神经网络的输入，改进原型神经网络输出对应的预测类别，对改进原型神经网络进行训练，具体子步骤为：
子步骤3.3.1，将训练支撑集和训练查询集中的每个样本对应的信号序列按顺序依次输入改进原型神经网络进行映射，即将输入的每个样本序列从原始空间映射到新的特征空间fφ，得到
Figure BDA0003495074860000051
个维数为L的嵌入向量
Figure BDA0003495074860000052
φ表示网络中的可学习参数；其中，嵌入向量
Figure BDA0003495074860000053
的表达式为：
Figure BDA0003495074860000054
式中，θ表示改进原型神经网络的权值参数，RL表示L维的实数集。
最终训练支撑集和训练查询集中每个样本的样本序列均对应得到一个嵌入向量
Figure BDA0003495074860000055
子步骤3.3.2，通过训练支撑集所包含的C类调制信号对应的嵌入向量
Figure BDA0003495074860000056
计算C个原型
Figure BDA0003495074860000057
计算公式为：
Figure BDA0003495074860000061
式中，
Figure BDA0003495074860000062
为第k类调制信号对应的原型；Sk表示第k类调制信号，xn表示第n个信号样本，yn表示第n个信号样本对应的标签，
Figure BDA0003495074860000063
表示第k类调制信号样本的数量，fφ表示映射函数，
Figure BDA0003495074860000064
Figure BDA0003495074860000065
为训练支撑集S1的第n个信号样本对应的嵌入向量；
子步骤3.3.3，计算训练查询集中每个样本对应的嵌入向量
Figure BDA0003495074860000066
到每个原型
Figure BDA0003495074860000067
的欧几里得距离
Figure BDA0003495074860000068
找出每个嵌入向量
Figure BDA0003495074860000069
到C个原型
Figure BDA00034950748600000610
的最短距离，将每个最短距离对应的原型
Figure BDA00034950748600000611
的类别作为对应的调制信号样本的识别结果；
其中，
Figure BDA00034950748600000612
为训练查询集Q1中第p个信号样本对应的嵌入向量，||·||表示求范数。
子步骤3.3.4，根据预测类别与对应标签，计算当前迭代次数的交叉熵损失函数，并通过随机梯度下降算法，对改进原型神经网络的网络参数进行更新，得到更新后的改进原型神经网络；
具体的，采用交叉熵损失函数L(θ)如式(1)所示，并通过随机梯度下降算法，对改进原型神经网络中卷积层的权值、多头自注意力层的权值等参数进行更新，得到更新后的改进原型神经网络，改进原型神经网络的输出表达式如式(2)所示；
Figure BDA00034950748600000613
Figure BDA00034950748600000614
式(1)中，θ表示改进原型神经网络的权值参数，xj表示网络训练过程中的每一个episode中训练样本的第j个样本，yj表示xj对应的真实标签，z表示网络训练过程中的每一个episode中的训练样本数量；
式(2)中，pφ(y＝k|x)表示需要识别的样本x被识别为第k类的概率，k表示x的真实标签，
Figure BDA0003495074860000071
表示嵌入向量
Figure BDA0003495074860000072
到第k类调制信号的原型
Figure BDA0003495074860000073
的欧几里得距离。
子步骤3.3.5，判断t＝T是否成立，若成立，则将子步骤3.3.4获得的更新后的改进原型神经网络作为训练好的改进原型神经网络；否则，令t＝t+1，返回执行子步骤3.3.3。
步骤4，使用训练好的改进原型神经网络对测试查询集内每个样本的信号类别进行识别。
具体的，参考图3，步骤4的子步骤如下：
子步骤4.1，获取测试支撑集和测试查询集中每个样本的样本序列；将测试支撑集和测试查询集中的每个样本对应的信号序列按顺序依次输入进行映射，得到
Figure BDA0003495074860000074
个嵌入向量
Figure BDA0003495074860000075
子步骤4.2，通过包含N类调制信号类别标签的测试支撑集中每个样本对应的嵌入向量
Figure BDA0003495074860000076
计算N个原型
Figure BDA0003495074860000077
子步骤4.3，计算测试查询集中每个样本对应的嵌入向量
Figure BDA0003495074860000078
到每个原型
Figure BDA0003495074860000079
的欧几里得距离
Figure BDA00034950748600000710
找出每个嵌入向量
Figure BDA00034950748600000711
到N个原型
Figure BDA00034950748600000712
的最短距离，将每个最短距离对应的原型
Figure BDA00034950748600000713
的类别作为对应的测试查询集中样本的信号类别识别结果；其中，
Figure BDA00034950748600000714
为测试查询集中第v个信号样本对应的嵌入向量，·||表示求范数。
仿真实验
本发明的效果可以通过以下具体实例进一步说明：
(1)实验条件
本发明的仿真实验的硬件平台为：CPU为Itel(R)Core(TM)i7-10875H，八核，主频为2.30GHz，内存大小为16GB；显存大小为6GB。
本发明的仿真实验的软件平台为：操作系统为windows 10。
本发明的仿真实验的训练样本集选自RML2016.10.a数据集中的信噪比0dB以上的8种调制信号，即8PSK；CPFSK；GFSK；PAM4；QAM16；QAM64；QPSK；WBFM。
本发明的仿真实验的测试样本集选自RML2016.10.a数据集中信噪比0dB以上的三种调制信号，为AM-DSB、AM-SSB和BPSK。
(2)仿真内容
为了验证有限样本情况下本发明方法的识别效果，利用测试支撑集和测试查询集对本发明方法进行测试。
从测试样本集中的每类调制信号中随机选取m个样本作为测试支撑集，即N×m个样本作为测试支撑集，剩余的
Figure BDA0003495074860000081
个样本作为测试查询集；再将测试支撑集中每个样本对应的调制信号类别作为标签加入测试支撑集中；其中N＝3，
Figure BDA0003495074860000082
因为对随机一个测试查询集的识别结果具有随机性和偶然性，不能准确反映本发明方法的识别准确度，故通过对多个不同的测试查询集进行识别来验证本发明方法的识别效果。
实验1：令m＝1，随机选取500次测试支撑集，使用本发明方法对500次相应的测试查询集进行识别；
实验2：令m＝5，随机选取500次测试支撑集，使用本发明方法对500次相应的测试查询集进行识别。
仿真结果：
实验1和实验2的识别正确率如表1所示。
表1
Figure BDA0003495074860000091
从表1中可以看出，实验2的识别正确率的最小值、最大值和平均值都高于实验1；同时，实验2的识别正确率的标准差明显小于实验1。这表明了增加测试支撑集中的样本数量可以提高本发明方法的识别正确率和本发明方法的稳定性。
实验1的识别结果平均分类正确率混淆矩阵如表2所示，实验2的识别结果平均分类正确率混淆矩阵如表3所示。
表2
调制类型 AM-DSB AM-SSB BPSK
AM-DSB 81.6％ 0.2％ 19.9％
AM-SSB 0.1％ 96.4％ 2.8％
BPSK 18.3％ 3.4％ 77.3％
表3
调制类型 AM-DSB AM-SSB BPSK
AM-DSB 94.0％ 0.0％ 9.1％
AM-SSB 0.1％ 100.0％ 0.0％
BPSK 5.9％ 0.0％ 90.9％
从表2、表3可以看出，本发明对AM-DSB、AM-SSB和BPSK这三种类型的信号均有较高的识别正确率。
实验1的识别正确率直方图如图4(a)所示，实验2的识别正确率直方图如图4(b)所示，参考图4可以看出，本发明方法具有较高水平的识别准确率，本发明方法中的神经网络也具有较好的稳定性。
虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (7)

1.基于改进原型网络的小样本信号自动调制识别方法，其特征在于，包括以下步骤：
步骤1，获取训练样本集和测试样本集；从训练样本集中选取出训练支撑集和训练查询集，从测试样本集中选取出测试支撑集和测试查询集；
步骤2，构建残差块-编码器原型神经网络，即改进原型网络；
步骤3，使用训练支撑集和训练查询集对改进原型网络进行训练，获得训练好的改进原型网络；
步骤4，使用训练好的改进原型神经网络对测试查询集内每个样本的信号类别进行识别。
2.根据权利要求1所述的基于改进原型网络的小样本信号自动调制识别方法，其特征在于，步骤1具体的，训练样本集和测试样本集中的样本从现有数据集中选取；
训练样本集包含M类调制信号，每类调制信号包含在多个不同信噪比下的
Figure FDA0003495074850000011
个信号；
测试样本集包含N类调制信号，每类调制信号包含在多个不同信噪比下的
Figure FDA0003495074850000012
个信号；
其中，每个信号大小为2×128，M≥5＞N，N≥2，
Figure FDA0003495074850000013
从训练样本集中随机选取随机选取C类调制信号，再从C类调制信号中的每类调制信号中选取m个样本，将随机选取C×m个样本作为训练支撑集，将C类调制信号中剩余的
Figure FDA0003495074850000014
个样本作为训练查询集；再将每个样本对应的调制信号类别作为标签加入对应样本所在的样本集中；
从测试样本集中的每类调制信号中随机选取m个样本作为测试支撑集，即N×m个样本作为测试支撑集，剩余的
Figure FDA0003495074850000021
个样本作为测试查询集；再将测试支撑集中每个样本对应的调制信号类别作为标签加入测试支撑集中；
其中C＝N，m≤10，测试样本集中的调制信号类别与训练支撑集、训练查询集中的调制信号类别不同。
3.根据权利要求1所述的基于改进原型网络的小样本信号自动调制识别方法，其特征在于，步骤2的改进原型网络，具体的，改进原型网络包含多个卷积层、多个ReLU激活层、多个批规范化层、多个层规范化层、三个多头自注意力层、原型模块和基于欧几里得距离的分类器；
改进原型网络包含依次连接的第一卷积层、第一批规范化层、第一ReLU激活层、第二卷积层、第二批规范化层、第二ReLU激活层、第一多头自注意层、第一层规范化层、第三卷卷积层、第三批规范化层、第三ReLU激活层、第四卷积层、第四批规范化层、第四ReLU激活层、第二层规范化层、第二多头自注意力层、第三层规范化层、第五卷积层、第五批规范化层、第五ReLU激活层、第六卷积层、第六批规范化层、第六ReLU激活层、第四层规范化层、第三多头自注意力层、第五层规范化层、第七卷积层、第七批规范化层、第七ReLU激活层、第八卷积层、第八批规范化层、第八ReLU激活层、第六层规范化层、原型模块和基于欧几里得距离的分类器；
改进原型网络中，第一卷积层和第二卷积层的卷积核大小均为3×3，步长均为1，卷积核个数均为16，填充均为1；第三卷积层、第五卷积层和第七卷积层的卷积核大小均为1×1，步长均为1，卷积核个数均为512，均无填充；第四卷积层、第六卷积层和第八卷积层的卷积核大小均为1×1，步长均为1，卷积核个数均为128，均无填充；第一多头自注意力层、第二多头自注意力层和第三多头注意力层的头数均为4。
4.根据权利要求1所述的基于改进原型网络的小样本信号自动调制识别方法，其特征在于，步骤3包含以下子步骤：
子步骤3.1，设置最大迭代次数为T，T≥4000，初始化迭代次数t＝0；
子步骤3.2，获取训练支撑集和训练查询集中每个样本的样本序列；
子步骤3.3，将样本序列作为改进原型神经网络的输入，改进原型神经网络输出对应的预测类别，对改进原型神经网络进行训练。
5.根据权利要求4所述的基于改进原型网络的小样本信号自动调制识别方法，其特征在于，子步骤3.3包含以下子步骤：
子步骤3.3.1，将训练支撑集和训练查询集中的每个样本对应的信号序列按顺序依次输入改进原型神经网络进行映射，即将输入的每个样本序列从原始空间映射到新的特征空间fφ，得到
Figure FDA0003495074850000031
个维数为L的嵌入向量
Figure FDA0003495074850000032
φ表示网络中的可学习参数；其中，嵌入向量
Figure FDA0003495074850000033
的表达式为：
Figure FDA0003495074850000034
式中，θ表示改进原型神经网络的权值参数，RL表示L维的实数集；
最终训练支撑集和训练查询集中每个样本的样本序列均对应得到一个嵌入向量
Figure FDA0003495074850000035
子步骤3.3.2，通过训练支撑集所包含的C类调制信号对应的嵌入向量
Figure FDA0003495074850000036
计算C个原型
Figure FDA0003495074850000037
计算公式为：
Figure FDA0003495074850000038
式中，
Figure FDA0003495074850000041
为第k类调制信号对应的原型；Sk表示第k类调制信号，xn表示第n个信号样本，yn表示第n个信号样本对应的标签，
Figure FDA0003495074850000042
表示第k类调制信号样本的数量，fφ表示映射函数，
Figure FDA0003495074850000043
Figure FDA0003495074850000044
为训练支撑集S1的第n个信号样本对应的嵌入向量；
子步骤3.3.3，计算训练查询集中每个样本对应的嵌入向量
Figure FDA0003495074850000045
到每个原型
Figure FDA0003495074850000046
的欧几里得距离
Figure FDA0003495074850000047
找出每个嵌入向量
Figure FDA0003495074850000048
到C个原型
Figure FDA0003495074850000049
的最短距离，将每个最短距离对应的原型
Figure FDA00034950748500000410
的类别作为对应的调制信号样本的识别结果；其中，
Figure FDA00034950748500000411
为训练查询集Q1中第p个信号样本对应的嵌入向量，||·||表示求范数；
子步骤3.3.4，根据预测类别与对应标签，计算当前迭代次数的交叉熵损失函数，并通过随机梯度下降算法，对改进原型神经网络的网络参数进行更新，得到更新后的改进原型神经网络；
子步骤3.3.5，判断t＝T是否成立，若成立，则将子步骤3.3.4获得的更新后的改进原型神经网络作为训练好的改进原型神经网络；否则，令t＝t+1，返回执行子步骤3.3.3。
6.根据权利要求5所述的基于改进原型网络的小样本信号自动调制识别方法，其特征在于，子步骤3.3.4具体的，采用交叉熵损失函数L(θ)如式(1)所示，并通过随机梯度下降算法，对改进原型神经网络中卷积层的权值、多头自注意力层的权值等参数进行更新，得到更新后的改进原型神经网络，改进原型神经网络的输出表达式如式(2)所示；
Figure FDA00034950748500000412
Figure FDA0003495074850000051
式(1)中，θ表示改进原型神经网络的权值参数，xj表示网络训练过程中的每一个episode中训练样本的第j个样本，yj表示xj对应的真实标签，z表示网络训练过程中的每一个episode中的训练样本数量；
式(2)中，pφ(y＝k|x)表示需要识别的样本x被识别为第k类的概率，k表示x的真实标签，
Figure FDA0003495074850000052
表示嵌入向量
Figure FDA0003495074850000053
到第k类调制信号的原型
Figure FDA0003495074850000054
的欧几里得距离。
7.根据权利要求1所述的基于改进原型网络的小样本信号自动调制识别方法，其特征在于，步骤4的子步骤如下：
子步骤4.1，获取测试支撑集和测试查询集中每个样本的样本序列；将测试支撑集和测试查询集中的每个样本对应的信号序列按顺序依次输入进行映射，得到
Figure FDA0003495074850000055
个嵌入向量
Figure FDA0003495074850000056
子步骤4.2，通过包含N类调制信号类别标签的测试支撑集中每个样本对应的嵌入向量
Figure FDA0003495074850000057
计算N个原型
Figure FDA0003495074850000058
子步骤4.3，计算测试查询集中每个样本对应的嵌入向量
Figure FDA0003495074850000059
到每个原型
Figure FDA00034950748500000510
的欧几里得距离
Figure FDA00034950748500000511
找出每个嵌入向量
Figure FDA00034950748500000512
到N个原型
Figure FDA00034950748500000513
的最短距离，将每个最短距离对应的原型
Figure FDA00034950748500000514
的类别作为对应的测试查询集中样本的信号类别识别结果；其中，
Figure FDA00034950748500000515
为测试查询集中第v个信号样本对应的嵌入向量，||·||表示求范数。
CN202210111305.4A 2022-01-29 2022-01-29 基于改进原型网络的小样本信号自动调制识别方法 Pending CN114528876A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210111305.4A CN114528876A (zh) 2022-01-29 2022-01-29 基于改进原型网络的小样本信号自动调制识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210111305.4A CN114528876A (zh) 2022-01-29 2022-01-29 基于改进原型网络的小样本信号自动调制识别方法

Publications (1)

Publication Number Publication Date
CN114528876A true CN114528876A (zh) 2022-05-24

Family

ID=81623048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210111305.4A Pending CN114528876A (zh) 2022-01-29 2022-01-29 基于改进原型网络的小样本信号自动调制识别方法

Country Status (1)

Country Link
CN (1) CN114528876A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100498A (zh) * 2022-06-06 2022-09-23 西安电子科技大学 一种基于卷积原型网络的sar图像开放集目标识别方法
CN115442192A (zh) * 2022-07-22 2022-12-06 西安电子科技大学 一种基于主动学习的通信信号自动调制识别方法及装置
CN116049640A (zh) * 2023-04-03 2023-05-02 河北工业大学 一种用于液液非均相反应热行为判别的概率映射识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100498A (zh) * 2022-06-06 2022-09-23 西安电子科技大学 一种基于卷积原型网络的sar图像开放集目标识别方法
CN115442192A (zh) * 2022-07-22 2022-12-06 西安电子科技大学 一种基于主动学习的通信信号自动调制识别方法及装置
CN115442192B (zh) * 2022-07-22 2024-02-27 西安电子科技大学 一种基于主动学习的通信信号自动调制识别方法及装置
CN116049640A (zh) * 2023-04-03 2023-05-02 河北工业大学 一种用于液液非均相反应热行为判别的概率映射识别方法
CN116049640B (zh) * 2023-04-03 2023-07-07 河北工业大学 一种用于液液非均相反应热行为判别的概率映射识别方法

Similar Documents

Publication Publication Date Title
CN114528876A (zh) 基于改进原型网络的小样本信号自动调制识别方法
CN109597043B (zh) 基于量子粒子群卷积神经网络的雷达信号识别方法
WO2021077841A1 (zh) 一种基于循环残差网络的信号调制识别方法及装置
CN112364729A (zh) 基于特征参数与bp神经网络的调制识别方法
CN114580484B (zh) 一种基于增量学习的小样本通信信号自动调制识别方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN112910811B (zh) 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置
CN112749633B (zh) 分离与重构的个体辐射源识别方法
CN111428817A (zh) 一种面向无线电信号识别对抗攻击的防御方法
US11558810B2 (en) Artificial intelligence radio classifier and identifier
CN109726649B (zh) 遥感影像云检测方法、系统及电子设备
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN114584440A (zh) 基于Transformer编码网络的小样本AMC方法
CN114912489A (zh) 一种信号调制识别方法
CN114912486A (zh) 一种基于轻量化网络的调制方式智能识别方法
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN117350373B (zh) 一种基于局部自注意力机制的个性化联邦聚合算法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN115797041A (zh) 基于深度图半监督学习的金融信用评估方法
CN115470873B (zh) 一种雷达辐射源识别方法与系统
CN117332409A (zh) 一种针对图像分类模型的窃取攻击检测方法
CN116055270B (zh) 一种调制识别模型及其训练方法、信号调制处理方法
CN114463646B (zh) 一种基于多头自注意力卷积神经网络的遥感场景分类方法
CN114078214B (zh) 一种基于复数神经网络的雷达目标rcs识别方法及装置
CN114785433A (zh) 信道场景识别的方法、网络设备及存储介质

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