[发明专利]基于残差神经网络与元学习融合的通信信号调制识别方法

说明书

本发明提出了一种基于残差神经网络与元学习融合的通信信号调制识别方法，属于通信技术领域，包括方法：通信调制信号获取；子任务划分；残差神经网络构建；抽取样本；更新残差神经网络参数；更新元学习损失函数；更新残差神经网络初始参数；迭代；确定用于测试信号的残差神经网络参数；将最终测试通信信号输入到残差神经网络，得到最终的分类结果。本发明将残差神经网络与元学习的方法相融合，该方法可以有效学习到信号的良好特征，解决网络模型泛化能力弱的问题，且仅需少量样本即可完成信号的识别。

技术领域

本发明属于通信技术领域，具体涉及一种基于残差神经网络与元学习融合的通信信号调制识别方法。

背景技术

无线信号识别(WSR)在军事和民用应用中具有广阔的前景，其中可能包括信号侦察和侦听，抗干扰以及设备识别。通常，WSR主要包括调制识别(MR)和无线技术识别(WTR)。MR也称为自动调制分类(AMC)，它首先广泛用于军事领域，然后扩展到民用领域。MR通过识别调制模式对无线电信号进行分类，这有助于评估无线传输方案和设备类型。而且，即使在先验信息有限的情况下，MR也能够提取数字基带信息。

传统的调制识别算法主要可分为两类：基于似然性(LB)和基于特征(FB)的方法。LB方法基于假设检验理论；基于决策理论的性能最佳，但计算复杂度高。因此，开发了作为次优分类器的基于特征的方法，以便在实践中应用。但是基于特征的方法需要人工提取特征，实现较复杂。近年来，由于深度学习在计算机视觉、机器翻译、语音识别和自然语言处理中表现出色，深度学习与机器学习在通信领域的应用也逐渐引起关注。

通信领域的机器学习算法具有不需要专门提取特征、模型灵活、能够进行端到端学习等特点。但是当通信信号受噪声影响较大时，通信信号的识别率会受到严重影响。当加大深度学习模型的网络深度以提高识别效果的时候，往往会出现“退化”现象，即随着网络深度的继续增加，模型准确率毫无征兆的出现大幅度的降低。如何在保证加深网络深度的同时保证模型准确率是一个需要解决的问题。其次，机器学习模型是数据驱动的模型，需要大量的数据以保证模型的实现效果，当可用数据稀缺时，现代深度神经网络往往会达不到想要的效果。因此，通过少样本有效学习数据的特征也是一个待解决的问题。再次，当前机器学习模型多采用随机初始化的方法初始化参数，如何利用一些先验知识对参数进行初始化，使得模型了解数据的特征，有针对性的对特定数据进行识别区分也是一个值得研究的问题。最后，现在的机器学习算法在纯数据驱动的情况下，受数据质量影响较大，在存在不完善数据(例如缺失值或噪声值、异常值等)的情况下难以保持稳健，这导致模型泛化能力较弱。机器学习算法需要提升其泛化能力以导致算法在实际应用中有效实施。

发明内容

本发明的目的在于为了克服现有技术在信号受噪声影响情况下识别率较低、网络模型容易产生退化、网络模型泛化能力较弱以及受数据量影响较大等不足，而提供了一种基于残差神经网络与元学习融合的通信信号调制识别方法，使用了残差神经网络的特殊结构，有效解决“退化”问题，并有效提高信号识别率；另外，利用元学习的方法，使模型利用不同的噪声学会自适应初始化参数。通过有效的初始化网络参数，可以让模型快速适应通信信号的调制识别。该方法可以有效学习到信号的良好特征，解决网络模型泛化能力弱的问题，且仅需少量样本即可完成信号的识别。

本发明为实现上述目的所采用的技术方案是：基于残差神经网络与元学习融合的通信信号调制识别方法，包括如下步骤：

步骤1、通信调制信号获取

获取加性高斯白噪声下不同信噪比的多种通信调制信号作为训练数据集，加性高斯白噪声下不同信噪比的通信调制信号的表达式为：

其中，s[t]和r[t]分别表示第t时间段的传输信号和接收信号，γ[t]为通信信道增益，ω₀为载波频率偏移，θ₀为发送方与接收方之间的相位偏移量，v[t]为加性高斯白噪声，j为虚数单位。

信噪比的表达式为：