CN115442192A - 一种基于主动学习的通信信号自动调制识别方法及装置 - Google Patents
一种基于主动学习的通信信号自动调制识别方法及装置 Download PDFInfo
- Publication number
- CN115442192A CN115442192A CN202210874715.4A CN202210874715A CN115442192A CN 115442192 A CN115442192 A CN 115442192A CN 202210874715 A CN202210874715 A CN 202210874715A CN 115442192 A CN115442192 A CN 115442192A
- Authority
- CN
- China
- Prior art keywords
- layer
- dimensional
- feature extraction
- convolution
- loss
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 93
- 230000004913 activation Effects 0.000 claims description 69
- 238000010606 normalization Methods 0.000 claims description 51
- 238000011176 pooling Methods 0.000 claims description 46
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Telephonic Communication Services (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明提供了一种基于主动学习的通信信号自动调制识别方法及装置,通过获取未标签通信信号组成数据集;构建附带损失预测网络的通信信号分类网络;在训练阶段,针对当前迭代次,根据上一迭代次预测的数据集中每个信号样本的目标损失,从数据集中挑选信号样本进行标签加入上一迭代次的训练集中,组成当前迭代次的训练集;从而对通信信号分类网络进行迭代训练,直至标签成本达到阈值;使用训练好的通信信号分类网络,对未知样本的调制类别进行识别,得到未知样本的调制类别。本发明根据每个信号样本对于神经网络训练的价值不同这一基础,用尽可能少的标签样本,训练得到一个具备信号类型识别能力的网络,大大减小了标签成本。
Description
技术领域
本发明属于信号自动调制识别技术领域,具体涉及一种基于主动学习的通信信号自动调制识别方法及装置。
背景技术
自动调制分类(Automatic Modulation Classification,AMC)是一种基本的信号处理技术,旨在识别接收到的无线通信信号的调制类型。由于其军事意义,它受到了广泛关注,并在各种应用中发挥着重要作用,如频谱监测、频谱干扰检测和电子战。
传统的AMC算法分为两类,即基于似然的调制识别方法和基于特征的调制识别方法。基于似然的方法是以贝叶斯估计为基础,寻找在当前接收条件下概率最大的调制方式;基于特征的调制识别,分为特征提取和分类两个步骤,其要先通过各种特征提取手段提取信号特征,之后通过分类器进行判决。
现有技术还提出将深度学习应用在AMC中,大量研究表明深度学习模式在AMC任务中的有效性。主要的分类方法主要包括:全监督、半监督前提下通过训练神经网络的方法。全监督的分类方法,其训练集中的样本数目大,通过大量的已标签样本来训练神经网络提取类别特征的能力,从而对未知分类情况的信号样本进行分类;半监督的分类方式同时使用已标签和未标签的信号样本,根据其特征分布来训练分类网络,从而得到一个具备良好分类性能的神经网络。
上述这些深度学习方法所使用的训练集包含的样本数目多,需要为每个类别提供大量的训练样本,特别是训练过程中需要将调制信号预先设置标签,而这个过程通常需要该领域的专业人员来操作,这也就需要耗费大量的时间和精力去对样本进行标注;并且训练集中很可能包含大量的相似样本造成样本冗余。因此在后续识别接收到的无线通信信号的调制类型效率较低。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于主动学习的通信信号自动调制识别方法及装置。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供的一种基于主动学习的通信信号自动调制识别方法包括:
步骤1:获取未包含标签通信信号组成数据集;
步骤2:构建附带损失预测网络的通信信号分类网络;
其中,所述通信信号分类网络包括:对通信信号调制类型分类的信号调制类型识别网络和依附于分类网络的损失预测网络;
步骤3:在训练阶段,针对当前迭代次,根据上一迭代次预测数据集中每个信号样本的目标损失,从所述数据集中挑选信号样本进行标签加入上一迭代次的训练集中,组成当前迭代次的训练集;
其中,每个迭代次对信号样本标签都增加一次标签成本;
步骤4:将当前迭代次的训练集输入至通信信号分类网络,以使信号调制类型识别网络提取信号样本的特征,以及根据特征对信号样本进行分类得到调制类别,计算每个信号样本的第一损失,以及损失预测网络根据特征预测当前迭代次的每个信号样本的目标损失;
步骤5:重复步骤3-4直至标签成本达到阈值,得到训练好的通信信号分类网络;
步骤6:使用训练好的通信信号分类网络,对未知样本的调制类别进行识别,得到未知样本的调制类别。
第二方面,本发明提供的一种主动学习的通信信号自动调制识别装置包括:
获取模块,用于获取未包含标签通信信号组成数据集;
构建模块,用于构建附带损失预测网络的通信信号分类网络;
所述通信信号分类网络包括:对通信信号调制类型分类的信号调制类型识别网络和依附于分类网络的损失预测网络;
筛选模块,用于在训练阶段,针对当前迭代次,根据上一迭代次预测的数据集中每个信号样本的目标损失,从所述数据集中挑选信号样本进行标签加入上一迭代次的训练集中,组成当前迭代次的训练集;
其中,每个迭代次对信号样本标签都增加一次标签成本;
训练模块,用于将当前迭代次的训练集输入至通信信号分类网络,以使信号调制类型识别网络提取信号样本的特征,以及根据特征对信号样本进行分类得到调制类别,计算每个信号样本的第一损失,以及损失预测网络根据特征预测当前迭代次的每个信号样本的目标损失;
循环模块,用于触发筛选模块以及训练模块执行,直至标签成本达到阈值,得到训练好的通信信号分类网络;
标注模块,用于使用训练好的通信信号分类网络,对未知样本的调制类别进行识别,得到未知样本的调制类别。
1、本发明提供了一种基于主动学习的通信信号自动调制识别方法及装置,设计了附带损失预测网络的通信信号分类网络,本发明自动选取分类价值更高的样本,与现有的技术相比,本发明在保持识别准确率的前提下,能够大大降低对信号样本进行标签的成本,即减小训练良好的分类网络所需的样本数目;
2、本发明的通信信号分类网络中,包含目标调制类型识别网络和损失预测网络;并且能够同时对两个网络进行训练,可以减小训练网络所需的成本和资源;
3、本发明设计一种新的判断样本对于训练分类网络价值的方式,通过损失预测网络预测样本对于分类网络的损失值,该值越大,则表示信号样本对于训练一个好的分类网络的价值更大。相对于传统的选取未标签样本进行标签的方式,该方法不需要复杂的算法,更加简便易于实现。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1为本发明的一种基于主动学习的通信信号自动调制识别方法的实现流程图;
图2为本发明实施例采用的信号调制类型识别网络的结构图;
图3为本发明实施例采用的损失预测网络的结构图;
图4为本发明实施例采用的损失计算方式的示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
参考图1,本发明提供的一种基于主动学习的通信信号自动调制识别方法包括:
步骤1:获取未标签通信信号组成数据集;
本发明获取未标签的数据集N,其中下标N代表数据集中的样本点数;设置每个主动学习阶段需要从对应未标签集中挑选出进行标签的样本数目K;初始化s=1,s代表主动学习的阶段;获取测试集Dtest。
本步骤中,样本信号序列取自RML2016.10A自动调制识别的基准数据集的9类调制方式的信号,分别为:8PSK,AM-DSB,AM-SSB,BPSK,CPFSK,GFSK,PAM4,QAM16,QPSK。并将数据集按照7:3的比例划分为未标签的数据集UN和测试集Dtest。
步骤2:构建附带损失预测网络的通信信号分类网络;
其中,所述通信信号分类网络包括:对通信信号调制类型分类的信号调制类型识别网络和依附于分类网络的损失预测网络;
作为本发明一种可选的实施方式,步骤2包括:
步骤2-1:将多个一维卷积层、多个批规范化层、一个ReLU激活层、平铺层以及全连接层,按照第一卷积层、第一批规范化层、第一ReLU激活层、第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层、分类器依次连接,以构建信号调制类型识别网络;
其中,对于每一个特征提取层包含依次连接的一维卷积层、批规范化层、ReLU激活层、一维卷积层、批规范化层、残差连接、以及ReLU激活层;在第一个一维卷积层的输入与ReLU激活层输入之间根据输入和输出通道数的是否相等的不同情况,并联有依次连接的一维卷积层和批规范层;分类器包含依次连接的第一一维平均池化层、第一一维平铺层以及第一全连接层;
步骤2-2:将多个一维平均池化层、多个一维平铺、多个全连接层以及多个ReLU激活层,按照四个并联的特征缩放层、全连接层依次连接,以构建损失预测网络;
其中,每一个特征缩放层包括依次连接的平均池化层、一维平铺层、全连接层、以及ReLU激活层;四个特征缩放层的输出拼接在一起连接全连接层,通过全连接层输出损失预测值。
构建附带损失预测网络的信号调制类型识别网络,该网络包括对信号调制类型识别的目标分类网络Θtarget和依附于该分类网络的损失预测网络Θloss;以下为具体步骤:
目标分类网络Θtarget,具体结构为:第一卷积层→第一批规范化层→第一ReLU激活层→第一特征提取层→第二特征提取层→第三特征提取层→第四特征提取层→分类器;具体的,对于每一个特征提取层包含依次连接的一维卷积层→批规范化层→ReLU激活层→一维卷积层→批规范化层→残差连接→ReLU激活层,其中当特征提取层的输入和输出通道数相等时,残差连接为输入和输出直接相加;否则,当输入输出通道数不相等时,残差连接包含一次连接的一维卷积层和批规范层;具体的,分类器包含依次连接的第一一维平均池化层→第一一维平铺层→第一全连接层;
具体结构如图2所示,第一特征提取层包括:依次连接的第二一维卷积层、第二批规范化层、第二ReLU激活层、第三一维卷积层、第三批规范化层以及第三ReLU激活层;当第一特征提取层的输入和输出通道数相等时,第一特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第一特征提取层的残差连接包含依次连的第四一维卷积层和第四批规范层;
所述第二特征提取层包括:依次连接的第五一维卷积层、第五批规范化层、第四ReLU激活层、第六一维卷积层、第六批规范化层以及第五ReLU激活层;当第二特征提取层的输入和输出通道数相等时,第二特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第二特征提取层的残差连接包含依次连的第七一维卷积层和第七批规范层;
所述第三特征提取层包括:依次连接的第八一维卷积层、第八批规范化层、第六ReLU激活层、第九一维卷积层、第九批规范化层以及第七ReLU激活层;当第三特征提取层的输入和输出通道数相等时,第三特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第三特征提取层的残差连接包含依次连的第十一维卷积层和第十批规范层;
所述第四特征提取层包括:依次连接的第十一一维卷积层、第十一批规范化层、第八ReLU激活层、第十二一维卷积层、第十二批规范化层以及第九ReLU激活层;当第四特征提取层的输入和输出通道数相等时,第四特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第十三特征提取层的残差连接包含依次连的第十三一维卷积层和第十三批规范层;
损失预测网络包括四个特征缩放层,第一个特征缩放层包括依次连接第二平均池化层、第二一维平铺层、第二全连接层、以及第十ReLU激活层;第二个特征缩放层包括依次连接第三平均池化层、第三一维平铺层、第三全连接层、以及第十一ReLU激活层;第三个特征缩放层包括依次连接第四平均池化层、第四一维平铺层、第四全连接层、以及第十二ReLU激活层;第四个特征缩放层包括依次连接第五平均池化层、第五一维平铺层、第五全连接层、以及第十三ReLU激活层。
具体的,第一一维卷积层、第二一维卷积层、第三一维卷积层、第四一维卷积层的卷积核大小为1×3,卷积核的数目为32,卷积核的步长为1;第五一维卷积层、第七一维卷积层的卷积核大小为1×3,卷积核的数目为64,卷积核的步长为2;第六一维卷积层的卷积核大小为1×3,卷积核的数目为64,卷积核的步长为1;第八一维卷积层、第十一维卷积层的卷积核大小为1×3,卷积核的数目为128,卷积核的步长为2;第九维卷积层的卷积核大小为1×3,卷积核的数目为128,卷积核的步长为1;第十一一维卷积层、第十三一维卷积层的卷积核大小为1×3,卷积核的数目为256,卷积核的步长为2;第十二一维卷积层的卷积核大小为1×3,卷积核的数目为256,卷积核的步长为1;第一平均池化层的滤波器尺寸为16;第一全连接层的输出维度为9;
2b)构建包含多个一维平均池化层、多个一维平铺、多个全连接层、多个ReLU激活层的损失预测网络;
损失预测网络Θloss,其包含四个并联的特征缩放层、全连接层;具体的,每一个特征缩放层包括依次连接的平均池化层→一维平铺层→全连接层→ReLU激活层;并将四个特征缩放模块的输出拼接在一起,通过全连接层,得到损失预测值;具体结构如图3所示;
具体的,第二平均池化层、第三平均池化层、第四平均池化层、第五平均池化层的维度分别为128、64、32、16;第二全连接层、第三全连接层、第四全连接层、第五全连接层、第六全连接层的输出分别为128、128、128、128、1;
步骤3:在训练阶段,针对当前迭代次,根据上一迭代次预测的数据集中每个信号样本的目标损失,从所述数据集中挑选信号样本进行标签加入上一迭代次的训练集中,组成当前迭代次的训练集;
其中,每个迭代次对信号样本标签都增加一次标签成本;
步骤4:将当前迭代次的训练集输入至通信信号分类网络,以使信号调制类型识别网络提取信号样本的特征,以及根据特征对信号样本进行分类得到调制类别,计算每个信号样本的第一损失,以及损失预测网络根据特征预测当前迭代次的每个信号样本的目标损失;
作为本发明一种可选的实施方式,所述步骤4包括:
步骤4-1:从数据集中随机挑选多个样本进行标签,组成当前迭代次的训练集,并从数据集中剔除已标签的信号样本;
步骤4-2:在训练阶段将当前迭代次的信号样本输入至通信信号分类网络,以使信号调制类型识别网络提取信号样本的特征,以及根据特征对信号样本进行分类得到调制类别,计算每个信号样本的第一损失,以及损失预测网络根据特征预测每个信号样本的目标损失,并根据该损失以及第一损失,确定第二损失;
步骤4-3:将第一损失以及第二损失联合,得到通信信号分类网络的联合损失;
步骤4-4:使用反向传播按照联合损失下降方向,迭代调整所述通信信号分类网络的权值,直至满足学习截止条件;
其中,学习截止条件为损失函数不再变化或达到预设的迭代次数。
步骤4-5:将数据集输入到训练完成的通信信号分类网络中,以使损失预测网络预测每个信号样本的目标损失。
3a)设置迭代次数为t,t≥200,初始化迭代次数t=0;
3b)将训练集的信号样本同时送入到附带损失预测网络的信号调制类型识别网络中,其中信号调制类型识别网络先提取信号样本的特征再通过分类器最终得到信号的类别;损失预测网络根据分类网络的各层网络提取到的特征来预测样本对于分类网络的损失;具体步骤如下:
目标分类模块记为Θtarget,损失预测网络记为Θloss,而本发明在s阶段就是获得对应的对于一个样本对(x,y),y表示样本x对应的标签。通过目标分类模块输出记为损失预测网络的输出记为其中h是由目标分类模块中的特征提取网络的各层的特征输出。目标分类模块的第一损失为损失预测网络的损失为最终网络的联合损失l为:
其中,λ是一个权重参数,Ltarget()和Lloss()均表示交叉熵损失计算。最终网络的损失计算示意图如图4所示。
具体的,对于的计算,本发明考虑一个小批量Bs的训练迭代在大小为B的小批量中,本发明可以生成B/2个数据对记为{xp=(xi,xj)},B是偶数。然后,本发明可以通过考虑一对损失预测之间的差异来学习损失预测网络,这完全使得损失预测网络放弃了总体规模的变化。为此,损失预测网络的损失函数,即第二损失定义为:
其中,训练迭代表示当前迭代次大小为B的训练集,{xp=(xi,xj)}表示B/2个信号样本,y表示信号样本x对应的标签,表示信号调制类型识别网络输出的调制类别,表示损失预测网络根据特征预测的每个信号样本的目标损失,λ是一个权重参数,Ltarget()和Lloss()均表示交叉熵损失计算,信号调制类型识别网络记为Θtarget,损失预测网络记为Θloss,在训练阶段s信号调制类型识别网络和损失预测网络表示为参数上角标p表示取标签对xp的方式计算出来的相关参数。该损失可以完成一个端到端的学习,同时最小化目标分类模块和损失预测网络的损失。
3c)将联合损失L反向传播,在迭代过程中更新网络的权值,从而得到训练好的附带损失预测网络的信号调制类型识别网络。
步骤5:重复步骤3-4直至标签成本达到阈值,得到训练好的通信信号分类网络;
作为本发明一种可选的实施方式,步骤5包括:
步骤5-1:按照预测的各个信号样本的目标损失大小,从数据集中重新挑选多个样本进行标签,加入所述当前迭代次的训练集,以更新当前迭代次的训练集,并从数据集中剔除已标签的信号样本;
其中,每个迭代次对信号样本标签一次增加一次标签成本;
步骤5-2:重复步骤3至步骤4的过程,直至标签成本达到阈值,得到训练好的通信信号分类网络。
值得说明的是:本步骤判断此时是否满足主动学习结束的条件,若是,则输出训练好的附带损失预测网络的信号调制类型识别网络;若否,则重复步骤3-4的过程
具体的,设置主动学习结束的条件:由于标签样本成本有限,设置标签信号样本的成本不大于4000个样本;根据损失预测网络从当前的未标签数据集挑选出K个样本进行标签,加入到训练集中,更新训练集为并从未标签数据集中剔除对应样本,更新未标签数据集为更新主动学习阶段s=s+1;重复进行步骤3和步骤4。
具体过程如下:
5b)将该特征向量输入到损失预测网络中获得样本的预测损失值;
步骤6:使用训练好的通信信号分类网络,对未知样本的调制类别进行识别,得到未知样本的调制类别。
本发明提供的一种主动学习的通信信号自动调制识别装置包括:
获取模块,用于获取未包含标签通信信号组成数据集;
构建模块,用于构建附带损失预测网络的通信信号分类网络;
所述通信信号分类网络包括:对通信信号调制类型分类的信号调制类型识别网络和依附于分类网络的损失预测网络;
筛选模块,用于在训练阶段,针对当前迭代次,根据上一迭代次预测的数据集中每个信号样本的目标损失,从所述数据集中挑选信号样本进行标签加入上一迭代次的训练集中,组成当前迭代次的训练集;
其中,每个迭代次对信号样本标签都增加一次标签成本;
训练模块,用于将当前迭代次的训练集输入至通信信号分类网络,以使信号调制类型识别网络提取信号样本的特征,以及根据特征对信号样本进行分类得到调制类别,计算每个信号样本的第一损失,以及损失预测网络根据特征预测当前迭代次的每个信号样本的目标损失;
循环模块,用于触发筛选模块以及训练模块执行,直至标签成本达到阈值,得到训练好的通信信号分类网络;
标注模块,用于使用训练好的通信信号分类网络,对未知样本的调制类别进行识别,得到未知样本的调制类别。
可选的,所述构建模块,具体用于:
将多个一维卷积层、多个批规范化层、一个ReLU激活层、平铺层以及全连接层,按照第一卷积层、第一批规范化层、第一ReLU激活层、第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层、分类器依次连接,以构建信号调制类型识别网络;
其中,对于每一个特征提取层包含依次连接的一维卷积层、批规范化层、ReLU激活层、一维卷积层、批规范化层、残差连接、以及ReLU激活层;在第一个一维卷积层的输入与ReLU激活层输入之间根据输入和输出通道数的是否相等的不同情况,并联有依次连接的一维卷积层和批规范层;分类器包含依次连接的第一一维平均池化层、第一一维平铺层以及第一全连接层;
将多个一维平均池化层、多个一维平铺、多个全连接层以及多个ReLU激活层,按照四个并联的特征缩放层、全连接层依次连接,以构建损失预测网络;
其中,每一个特征缩放层包括依次连接的平均池化层、一维平铺层、全连接层、以及ReLU激活层;四个特征缩放层的输出拼接在一起连接全连接层,通过全连接层输出损失预测值。
其中,所述第一特征提取层包括:依次连接的第二一维卷积层、第二批规范化层、第二ReLU激活层、第三一维卷积层、第三批规范化层以及第三ReLU激活层;当第一特征提取层的输入和输出通道数相等时,第一特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第一特征提取层的残差连接包含依次连的第四一维卷积层和第四批规范层;
所述第二特征提取层包括:依次连接的第五一维卷积层、第五批规范化层、第四ReLU激活层、第六一维卷积层、第六批规范化层以及第五ReLU激活层;当第二特征提取层的输入和输出通道数相等时,第二特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第二特征提取层的残差连接包含依次连的第七一维卷积层和第七批规范层;
所述第三特征提取层包括:依次连接的第八一维卷积层、第八批规范化层、第六ReLU激活层、第九一维卷积层、第九批规范化层以及第七ReLU激活层;当第三特征提取层的输入和输出通道数相等时,第三特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第三特征提取层的残差连接包含依次连的第十一维卷积层和第十批规范层;
所述第四特征提取层包括:依次连接的第十一一维卷积层、第十一批规范化层、第八ReLU激活层、第十二一维卷积层、第十二批规范化层以及第九ReLU激活层;当第四特征提取层的输入和输出通道数相等时,第四特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第十三特征提取层的残差连接包含依次连的第十三一维卷积层和第十三批规范层;
损失预测网络包括四个特征缩放层,第一个特征缩放层包括依次连接第二平均池化层、第二一维平铺层、第二全连接层、以及第十ReLU激活层;第二个特征缩放层包括依次连接第三平均池化层、第三一维平铺层、第三全连接层、以及第十一ReLU激活层;第三个特征缩放层包括依次连接第四平均池化层、第四一维平铺层、第四全连接层、以及第十二ReLU激活层;第四个特征缩放层包括依次连接第五平均池化层、第五一维平铺层、第五全连接层、以及第十三ReLU激活层。
其中,在构建的信号调制类型识别网络中,第一一维卷积层、第二一维卷积层、第三一维卷积层、第四一维卷积层的卷积核大小为1×3,卷积核的数目为32,卷积核的步长为1;第五一维卷积层、第七一维卷积层的卷积核大小为1×3,卷积核的数目为64,卷积核的步长为2;第六一维卷积层的卷积核大小为1×3,卷积核的数目为64,卷积核的步长为1;第八一维卷积层、第十一维卷积层的卷积核大小为1×3,卷积核的数目为128,卷积核的步长为2;第九维卷积层的卷积核大小为1×3,卷积核的数目为128,卷积核的步长为1;第十一一维卷积层、第十三一维卷积层的卷积核大小为1×3,卷积核的数目为256,卷积核的步长为2;第十二一维卷积层的卷积核大小为1×3,卷积核的数目为256,卷积核的步长为1;第一平均池化层的滤波器尺寸为16;第一全连接层的输出维度为9;
在构建的损失预测网络中,第二平均池化层、第三平均池化层、第四平均池化层、第五平均池化层的维度分别为128、64、32、16;第二全连接层、第三全连接层、第四全连接层、第五全连接层、第六全连接层的输出维度分别为128、128、128、128、1。
本发明提供了一种基于主动学习的通信信号自动调制识别方法及装置,通过获取未标签通信信号组成数据集;构建附带损失预测网络的通信信号分类网络;在训练阶段,针对当前迭代次,根据上一迭代次预测的数据集中每个信号样本的目标损失,从数据集中挑选信号样本进行标签加入上一迭代次的训练集中,组成当前迭代次的训练集;从而对通信信号分类网络进行迭代训练,直至标签成本达到阈值;使用训练好的通信信号分类网络,对未知样本的调制类别进行识别,得到未知样本的调制类别。本发明根据每个信号样本对于神经网络训练的价值不同这一基础,用尽可能少的标签样本,训练得到一个具备信号类型识别的网络对信号调制类型进行识别,可以提高识别效率。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于主动学习的通信信号自动调制识别方法,其特征在于,包括:
步骤1:获取未包含标签通信信号组成数据集;
步骤2:构建附带损失预测网络的通信信号分类网络;
其中,所述通信信号分类网络包括:对通信信号调制类型分类的信号调制类型识别网络和依附于分类网络的损失预测网络;
步骤3:在训练阶段,针对当前迭代次,根据上一迭代次预测数据集中每个信号样本的目标损失,从所述数据集中挑选信号样本进行标签加入上一迭代次的训练集中,组成当前迭代次的训练集;
其中,每个迭代次对信号样本标签都增加一次标签成本;
步骤4:将当前迭代次的训练集输入至通信信号分类网络,以使信号调制类型识别网络提取信号样本的特征,以及根据特征对信号样本进行分类得到调制类别,计算每个信号样本的第一损失,以及损失预测网络根据特征预测当前迭代次的每个信号样本的目标损失;
步骤5:重复步骤3-4直至标签成本达到阈值,得到训练好的通信信号分类网络;
步骤6:使用训练好的通信信号分类网络,对未知样本的调制类别进行识别,得到未知样本的调制类别。
2.根据权利要求1所述的一种基于主动学习的通信信号自动调制识别方法,其特征在于,所述步骤2包括:
步骤2-1:将多个一维卷积层、多个批规范化层、一个ReLU激活层、平铺层以及全连接层,按照第一卷积层、第一批规范化层、第一ReLU激活层、第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层、分类器依次连接,以构建信号调制类型识别网络;
其中,对于每一个特征提取层包含依次连接的一维卷积层、批规范化层、ReLU激活层、一维卷积层、批规范化层、残差连接、以及ReLU激活层;在第一个一维卷积层的输入与ReLU激活层输入之间根据输入和输出通道数的是否相等的不同情况,并联有依次连接的一维卷积层和批规范层;分类器包含依次连接的第一一维平均池化层、第一一维平铺层以及第一全连接层;
步骤2-2:将多个一维平均池化层、多个一维平铺、多个全连接层以及多个ReLU激活层,按照四个并联的特征缩放层、全连接层依次连接,以构建损失预测网络;
其中,每一个特征缩放层包括依次连接的平均池化层、一维平铺层、全连接层、以及ReLU激活层;四个特征缩放层的输出拼接在一起连接全连接层,通过全连接层输出损失预测值。
3.根据权利要求2所述的一种基于主动学习的通信信号自动调制识别方法,其特征在于,
所述第一特征提取层包括:依次连接的第二一维卷积层、第二批规范化层、第二ReLU激活层、第三一维卷积层、第三批规范化层以及第三ReLU激活层;当第一特征提取层的输入和输出通道数相等时,第一特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第一特征提取层的残差连接包含依次连的第四一维卷积层和第四批规范层;
所述第二特征提取层包括:依次连接的第五一维卷积层、第五批规范化层、第四ReLU激活层、第六一维卷积层、第六批规范化层以及第五ReLU激活层;当第二特征提取层的输入和输出通道数相等时,第二特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第二特征提取层的残差连接包含依次连的第七一维卷积层和第七批规范层;
所述第三特征提取层包括:依次连接的第八一维卷积层、第八批规范化层、第六ReLU激活层、第九一维卷积层、第九批规范化层以及第七ReLU激活层;当第三特征提取层的输入和输出通道数相等时,第三特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第三特征提取层的残差连接包含依次连的第十一维卷积层和第十批规范层;
所述第四特征提取层包括:依次连接的第十一一维卷积层、第十一批规范化层、第八ReLU激活层、第十二一维卷积层、第十二批规范化层以及第九ReLU激活层;当第四特征提取层的输入和输出通道数相等时,第四特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第十三特征提取层的残差连接包含依次连的第十三一维卷积层和第十三批规范层;
损失预测网络包括四个特征缩放层,第一个特征缩放层包括依次连接第二平均池化层、第二一维平铺层、第二全连接层、以及第十ReLU激活层;第二个特征缩放层包括依次连接第三平均池化层、第三一维平铺层、第三全连接层、以及第十一ReLU激活层;第三个特征缩放层包括依次连接第四平均池化层、第四一维平铺层、第四全连接层、以及第十二ReLU激活层;第四个特征缩放层包括依次连接第五平均池化层、第五一维平铺层、第五全连接层、以及第十三ReLU激活层。
4.根据权利要求3所述的一种基于主动学习的通信信号自动调制识别方法,其特征在于,
在步骤2-1构建的信号调制类型识别网络中,第一一维卷积层、第二一维卷积层、第三一维卷积层、第四一维卷积层的卷积核大小为1×3,卷积核的数目为32,卷积核的步长为1;第五一维卷积层、第七一维卷积层的卷积核大小为1×3,卷积核的数目为64,卷积核的步长为2;第六一维卷积层的卷积核大小为1×3,卷积核的数目为64,卷积核的步长为1;第八一维卷积层、第十一维卷积层的卷积核大小为1×3,卷积核的数目为128,卷积核的步长为2;第九维卷积层的卷积核大小为1×3,卷积核的数目为128,卷积核的步长为1;第十一一维卷积层、第十三一维卷积层的卷积核大小为1×3,卷积核的数目为256,卷积核的步长为2;第十二一维卷积层的卷积核大小为1×3,卷积核的数目为256,卷积核的步长为1;第一平均池化层的滤波器尺寸为16;第一全连接层的输出维度为9;
在步骤2-2构建的损失预测网络中,第二平均池化层、第三平均池化层、第四平均池化层、第五平均池化层的维度分别为128、64、32、16;第二全连接层、第三全连接层、第四全连接层、第五全连接层、第六全连接层的输出维度分别为128、128、128、128、1。
5.根据权利要求1所述的一种基于主动学习的通信信号自动调制识别方法,其特征在于,所述步骤4包括:
步骤4-1:从数据集中随机挑选多个样本进行标签,组成当前迭代次的训练集,并从数据集中剔除已标签的信号样本;
步骤4-2:在训练阶段将当前迭代次的信号样本输入至通信信号分类网络,以使信号调制类型识别网络提取信号样本的特征,以及根据特征对信号样本进行分类得到调制类别,计算每个信号样本的第一损失,以及损失预测网络根据特征预测每个信号样本的目标损失,并根据该损失以及第一损失,确定第二损失;
步骤4-3:将第一损失以及第二损失联合,得到通信信号分类网络的联合损失;
步骤4-4:使用反向传播按照联合损失下降方向,迭代调整所述通信信号分类网络的权值,直至满足学习截止条件;
步骤4-5:将数据集输入到训练完成的通信信号分类网络中,以使损失预测网络预测每个信号样本的目标损失。
6.根据权利要求5所述的一种基于主动学习的通信信号自动调制识别方法,其特征在于,所述步骤5包括:
步骤5-1:按照预测的各个信号样本的目标损失大小,从数据集中重新挑选多个样本进行标签,加入所述当前迭代次的训练集,以更新当前迭代次的训练集,并从数据集中剔除已标签的信号样本;
其中,每个迭代次对信号样本标签一次增加一次标签成本;
步骤5-2:重复步骤3至步骤4的过程,直至标签成本达到阈值,得到训练好的通信信号分类网络。
8.一种主动学习的通信信号自动调制识别装置,其特征在于,包括:
获取模块,用于获取未包含标签通信信号组成数据集;
构建模块,用于构建附带损失预测网络的通信信号分类网络;
所述通信信号分类网络包括:对通信信号调制类型分类的信号调制类型识别网络和依附于分类网络的损失预测网络;
筛选模块,用于在训练阶段,针对当前迭代次,根据上一迭代次预测的数据集中每个信号样本的目标损失,从所述数据集中挑选信号样本进行标签加入上一迭代次的训练集中,组成当前迭代次的训练集;
其中,每个迭代次对信号样本标签都增加一次标签成本;
训练模块,用于将当前迭代次的训练集输入至通信信号分类网络,以使信号调制类型识别网络提取信号样本的特征,以及根据特征对信号样本进行分类得到调制类别,计算每个信号样本的第一损失,以及损失预测网络根据特征预测当前迭代次的每个信号样本的目标损失;
循环模块,用于触发筛选模块以及训练模块执行,直至标签成本达到阈值,得到训练好的通信信号分类网络;
标注模块,用于使用训练好的通信信号分类网络,对未知样本的调制类别进行识别,得到未知样本的调制类别。
9.根据权利要求8所述的一种主动学习的通信信号自动调制识别装置,其特征在于,所述构建模块,具体用于:
将多个一维卷积层、多个批规范化层、一个ReLU激活层、平铺层以及全连接层,按照第一卷积层、第一批规范化层、第一ReLU激活层、第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层、分类器依次连接,以构建信号调制类型识别网络;
其中,对于每一个特征提取层包含依次连接的一维卷积层、批规范化层、ReLU激活层、一维卷积层、批规范化层、残差连接、以及ReLU激活层;在第一个一维卷积层的输入与ReLU激活层输入之间根据输入和输出通道数的是否相等的不同情况,并联有依次连接的一维卷积层和批规范层;分类器包含依次连接的第一一维平均池化层、第一一维平铺层以及第一全连接层;
将多个一维平均池化层、多个一维平铺、多个全连接层以及多个ReLU激活层,按照四个并联的特征缩放层、全连接层依次连接,以构建损失预测网络;
其中,每一个特征缩放层包括依次连接的平均池化层、一维平铺层、全连接层、以及ReLU激活层;四个特征缩放层的输出拼接在一起连接全连接层,通过全连接层输出损失预测值。
10.根据权利要求9所述的一种主动学习的通信信号自动调制识别装置,其特征在于,所述第一特征提取层包括:依次连接的第二一维卷积层、第二批规范化层、第二ReLU激活层、第三一维卷积层、第三批规范化层以及第三ReLU激活层;当第一特征提取层的输入和输出通道数相等时,第一特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第一特征提取层的残差连接包含依次连的第四一维卷积层和第四批规范层;
所述第二特征提取层包括:依次连接的第五一维卷积层、第五批规范化层、第四ReLU激活层、第六一维卷积层、第六批规范化层以及第五ReLU激活层;当第二特征提取层的输入和输出通道数相等时,第二特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第二特征提取层的残差连接包含依次连的第七一维卷积层和第七批规范层;
所述第三特征提取层包括:依次连接的第八一维卷积层、第八批规范化层、第六ReLU激活层、第九一维卷积层、第九批规范化层以及第七ReLU激活层;当第三特征提取层的输入和输出通道数相等时,第三特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第三特征提取层的残差连接包含依次连的第十一维卷积层和第十批规范层;
所述第四特征提取层包括:依次连接的第十一一维卷积层、第十一批规范化层、第八ReLU激活层、第十二一维卷积层、第十二批规范化层以及第九ReLU激活层;当第四特征提取层的输入和输出通道数相等时,第四特征提取层的残差连接为输入和输出直接相加;当输入输出通道数不相等时,第十三特征提取层的残差连接包含依次连的第十三一维卷积层和第十三批规范层;
损失预测网络包括四个特征缩放层,第一个特征缩放层包括依次连接第二平均池化层、第二一维平铺层、第二全连接层、以及第十ReLU激活层;第二个特征缩放层包括依次连接第三平均池化层、第三一维平铺层、第三全连接层、以及第十一ReLU激活层;第三个特征缩放层包括依次连接第四平均池化层、第四一维平铺层、第四全连接层、以及第十二ReLU激活层;第四个特征缩放层包括依次连接第五平均池化层、第五一维平铺层、第五全连接层、以及第十三ReLU激活层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210874715.4A CN115442192B (zh) | 2022-07-22 | 2022-07-22 | 一种基于主动学习的通信信号自动调制识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210874715.4A CN115442192B (zh) | 2022-07-22 | 2022-07-22 | 一种基于主动学习的通信信号自动调制识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115442192A true CN115442192A (zh) | 2022-12-06 |
CN115442192B CN115442192B (zh) | 2024-02-27 |
Family
ID=84241567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210874715.4A Active CN115442192B (zh) | 2022-07-22 | 2022-07-22 | 一种基于主动学习的通信信号自动调制识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115442192B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953588A (zh) * | 2023-03-16 | 2023-04-11 | 深圳市华汉伟业科技有限公司 | 一种图像的重要样本挖掘方法及特征图像检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180079050A (ko) * | 2016-12-30 | 2018-07-10 | 국방과학연구소 | 딥 러닝 기반의 변조 방식 분류 방법 |
WO2018176889A1 (zh) * | 2017-03-27 | 2018-10-04 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN112364851A (zh) * | 2021-01-13 | 2021-02-12 | 北京邮电大学 | 一种自动调制识别方法、装置、电子设备及存储介质 |
CN113872904A (zh) * | 2021-09-18 | 2021-12-31 | 北京航空航天大学 | 一种基于集成学习的多分类通信信号自动调制识别方法 |
CN114528876A (zh) * | 2022-01-29 | 2022-05-24 | 西安电子科技大学 | 基于改进原型网络的小样本信号自动调制识别方法 |
CN114548201A (zh) * | 2021-11-15 | 2022-05-27 | 北京林业大学 | 无线信号的自动调制识别方法、装置、存储介质及设备 |
CN114580484A (zh) * | 2022-04-28 | 2022-06-03 | 西安电子科技大学 | 一种基于增量学习的小样本通信信号自动调制识别方法 |
US20220191066A1 (en) * | 2019-10-24 | 2022-06-16 | Beijing University Of Posts And Telecommunications | Method and apparatus for modulation recognition of signals based on cyclic residual network |
-
2022
- 2022-07-22 CN CN202210874715.4A patent/CN115442192B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180079050A (ko) * | 2016-12-30 | 2018-07-10 | 국방과학연구소 | 딥 러닝 기반의 변조 방식 분류 방법 |
WO2018176889A1 (zh) * | 2017-03-27 | 2018-10-04 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
US20220191066A1 (en) * | 2019-10-24 | 2022-06-16 | Beijing University Of Posts And Telecommunications | Method and apparatus for modulation recognition of signals based on cyclic residual network |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN112364851A (zh) * | 2021-01-13 | 2021-02-12 | 北京邮电大学 | 一种自动调制识别方法、装置、电子设备及存储介质 |
CN113872904A (zh) * | 2021-09-18 | 2021-12-31 | 北京航空航天大学 | 一种基于集成学习的多分类通信信号自动调制识别方法 |
CN114548201A (zh) * | 2021-11-15 | 2022-05-27 | 北京林业大学 | 无线信号的自动调制识别方法、装置、存储介质及设备 |
CN114528876A (zh) * | 2022-01-29 | 2022-05-24 | 西安电子科技大学 | 基于改进原型网络的小样本信号自动调制识别方法 |
CN114580484A (zh) * | 2022-04-28 | 2022-06-03 | 西安电子科技大学 | 一种基于增量学习的小样本通信信号自动调制识别方法 |
Non-Patent Citations (1)
Title |
---|
张翼: "基于深度学习的自动调制识别算法研究", 《中国优秀硕士论文全文库》, 15 February 2020 (2020-02-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953588A (zh) * | 2023-03-16 | 2023-04-11 | 深圳市华汉伟业科技有限公司 | 一种图像的重要样本挖掘方法及特征图像检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115442192B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263280B (zh) | 一种基于多视图的动态链路预测深度模型及应用 | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
US20230108692A1 (en) | Semi-Supervised Person Re-Identification Using Multi-View Clustering | |
CN109543502B (zh) | 一种基于深度多尺度神经网络的语义分割方法 | |
CN111723645B (zh) | 用于同相机内有监督场景的多相机高精度行人重识别方法 | |
CN113806746B (zh) | 基于改进cnn网络的恶意代码检测方法 | |
CN110929848B (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
CN110874550A (zh) | 数据处理方法、装置、设备和系统 | |
CN111506773B (zh) | 一种基于无监督深度孪生网络的视频去重方法 | |
CN115249332B (zh) | 基于空谱双分支卷积网络的高光谱图像分类方法及设备 | |
CN112990316B (zh) | 基于多显著性特征融合的高光谱遥感图像分类方法及系统 | |
CN115442192B (zh) | 一种基于主动学习的通信信号自动调制识别方法及装置 | |
CN115277888B (zh) | 一种移动应用加密协议报文类型解析方法及系统 | |
Shafiee et al. | Embedded motion detection via neural response mixture background modeling | |
CN114064627A (zh) | 一种针对多重关系的知识图谱链接补全方法及系统 | |
CN114780767A (zh) | 一种基于深度卷积神经网络的大规模图像检索方法及系统 | |
US20090257682A1 (en) | System and method for automatic digital image orientation detection | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
CN111130942A (zh) | 一种基于消息大小分析的应用流量识别方法 | |
CN117236520B (zh) | 一种分布式多无人机集群协同调度系统及其方法 | |
CN113344091A (zh) | 基于标签相关性的多标签流特征确定最优特征子集的方法 | |
CN117633627A (zh) | 一种基于证据不确定性评估的深度学习未知网络流量分类方法及系统 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
CN115242458B (zh) | 一种基于shap的1d-cnn网络流量分类模型的可解释方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |