[发明专利]一种基于深度学习的增量调制识别模型生成方法

说明书

一种基于深度学习的增量调制识别模型生成方法，属无线通信的非协作通信领域。该模型包括0阶段及顺序排列的后续阶段,其中0阶段包含数据处理模块和原始网络训练模块；之后的每个阶段包含数据处理模块和增量学习模块；其中各个阶段中的数据处理模块与原始网络训练模块或增量学习模块相连接，该方法以数字调制信号为研究对象，通过数据处理模块将调制信号转换成可用于训练模型的形式来对模型进行增量训练，训练后更新模型使其能准确识别本阶段及本阶段以前的调制信号，减少了模型重新训练的时间，更贴近于实际应用场合。

技术领域

本发明涉及一种基于深度学习的增量调制识别模型生成方法，属于无线通信非协作通信领域。

背景技术

在民用领域和军事领域中，无线通信都扮演着日益重要的角色，因此研究无线通信对于民用科技的提升以及国防实力的增强都有着极大的重要性。无线通信利用空间电磁波辐射传输信息，这种开放式的信道环境使得非协作通信中的对抗侦察成为可能。在通信侦察中，无线电侦察设备将对敌方无线通信设备所发射的信号进行搜索、检测、识别。想要对信号中的信息进行有效的截获，首先必须要识别出信号的调制方式。然而，近年来，随着无线通信技术和信号处理等技术的快速发展，通信信号的调制模式也越来越复杂，调制信号的种类也越来越多，这使得通信侦察面临严峻的挑战。

依托非协作通信中的通信对抗侦察为背景，以数字调制信号为研究对象，研究在信号的种类按阶段不断增加的情况下，调制识别模型生成方法。国内外研究表明，在实际通信系统中，调制识别算法应该兼顾性能和实时性要求，不仅要能对常用的通信信号调制类型进行有效快速的识别，同时，识别算法需要具备及时调整更新的功能以应对信号调制方式的改变。另外，对于通信侦察系统而言，由于其所截获的通信信号一般缺乏先验知识，要完成对己调信号的准确解调，必须借助于现代数字信号处理技术中的盲信号处理技术，这迫使我们找到一种不需要先验知识的调制识别模型。

近年来许多文献研究了数字调制信号的调制识别技术，他们绝大多数都是在调制信号的种类确定的前提下设计识别模型，作者田晓迪在“基于深度学习的通信信号调制模式识别方法研究[D]”[长春：吉林大学,2020.]一文中研究了通信信号调制模式准确识别问题，但其设计分类模型只能在调制信号的种类固定的情况下使用，没有考虑调制信号的种类越来越多影响，无法满足及时更新的要求。

发明内容

为克服现有技术的缺陷和不足，本发明提出了一种基于深度学习的增量调制识别模型生成方法，以在非协作通信中及时的对调制信号进行高准确率的识别。

为实现上述目的，本发明的技术方案如下：

一种基于深度学习的增量调制识别模型生成方法，该模型包括0阶段及顺序排列的后续阶段,其中0阶段包含数据处理模块和原始网络训练模块；之后的每个阶段包含数据处理模块和增量学习模块；其中各个阶段中的数据处理模块与原始网络训练模块或增量学习模块相连接，该方法的具体步骤如下：

1)数据处理；

(1)数据处理模块将收集到的调制信号样本映射成星座图，得到样本集合其中x_j表示在第i阶段的样本数据，S_i表示在第i阶段的样本总数；

(2)根据样本集合中每一个样本x_j的种类，添加标签y_j，生成第i阶段数据集表示x_j是n维向量，表示y_j是M_i维向量，其中n表示样本的维度，M_i表示D_i中样本的种类数目，设D_i,m是D_i中第m类数据的集合，

2)原始网络训练：

①原始网络训练模块接收来自数据处理模块的数据，先初始化0阶段的内存数据集P₀，在0阶段中内存数据集中没有样本，令其为空集即