基于网络结构特征归纳的半监督调制类型识别方法、装置及介质制造方法及图纸

本发明专利技术实施例公开了一种基于网络结构特征归纳的半监督调制类型识别方法、装置及介质；该方法包括：将无标记样本集与小样本的有标记样本集输入至特征提取网络，获得所有样本各自对应的特征向量；基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵；根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵；构造并初始化迭代矩阵；利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛；根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测。调制类型标记进行预测。调制类型标记进行预测。

【技术实现步骤摘要】
基于网络结构特征归纳的半监督调制类型识别方法、装置及介质


[0001]本专利技术实施例涉及无线通信
，尤其涉及一种基于网络结构特征归纳的半监督调制类型识别方法、装置及介质。

技术介绍

[0002]随着无线电技术及其应用的不断发展，辐射台站数量大规模增长，无线电用频设备量呈指数级上升态势，电磁频谱空间日益复杂。电磁空间作为承载移动通信、卫星通信、雷达探测、无源侦察、电子对抗等电磁活动的物理载体，所产生的电磁空间数据量将十分巨大，但传统的电磁样本数据处理方式主要以对电磁环境和目标电磁参数等物理量的测量为主。这些测量方式无法分析与处理如此庞大又复杂的数据，仅仅在时域或频域给出可用“空穴”作为结果，不能有效提供频谱资源管控与利用所需的时分复用、频分复用、空分复用以及码分复用等特性，势必难以支撑全面、准确、高效的电磁频谱空间认知，更难以满足电磁频谱空间管控与利用的需求。因此，实现对电磁频谱空间的深度感知和电磁目标行为特性的准确认知，才是完成电磁频谱空间综合利用和精准控制的基础。
[0003]在这样的发展背景下，如何用更加智能、深度、便捷的方法来分析处理电磁频谱空间大数据成为一项亟待解决的挑战。深度学习是一种获取知识与技能以达到提升自我能力的行为方式，是新一代人工智能技术的卓越代表。具体而言，深度学习通过创建一个计算系统，使其不断地从大量的知识中学习经验，并自行改善计算性能以更好地执行下次任务。显而易见，电磁频谱空间大数据便可以成为深度学习“营养丰富的食粮”。同时，面对现代化信息战争的新特点，深度学习也可提供新的电磁频谱空间利用解决方案，例如，在快速变化的电磁态势中，历史数据训练的深度学习模型可以通过对比，迅速识别异常情况并及时做出预警，有助于决策层提高战场反应能力。最后，深度学习是传统的浅层学习深度化的结果，在电磁数据样本充足的情况下，将深度学习与电磁空间数据处理相结合，将获得更加准确、更深层次以及更多内涵的处理结果。
[0004]由此可见，深度学习可以解决常规电磁样本数据处理方式难以有效认知电磁空间的问题。然而，利用现有电磁样本数据进行电磁空间智能数据处理和深度认知时，由于电磁频谱空间的特殊性和深度神经网络的局限性，正确标注的电磁数据样本不足与现有小样本学习方法匮乏的矛盾便成为了一个突出的困境：在进行调制信号类型识别时，不同的调制信号在调制方式、调制阶数等方面各不相同，在不同噪声背景下、不同衰落信道下也会表现出不同的信号波形，如果依靠人力将少部分信号、噪声以及信道的组合标注出来或许仍旧可行，但如果将大量调制信号都标识出来，则往往会耗费极大的人力物力，同时十分耗时；此外，深度学习是典型的大数据智能，它的可应用性是以存在大量训练样本为基础的，但电磁空间的标记样本数据总是小样本形态。
[0005]现有的小样本环境下的调制类型识别技术在应对如今调制信号种类瞬息万变的电磁频谱空间时，存在必须根据当前环境的数据类别重新构建模型，无法从过往环境的识
别模型中获取有用信息的缺点。比如当前出现的一种半监督生成对抗网络得方案，该方案通过修改损失函数使生成对抗网络能够充分利用小样本环境下的大量无标记样本，但在面对当前电磁频谱空间时，由于环境内会出现与过往监测到的信号完全不同的调制类型，使得分类任务本身发生了变化，因此需要设计另外的类别标签，导致该方案只能选择放弃已有的、针对原环境的调制类型分类器，并借助当前环境的各类有标记与无标记数据构建全新的网络模型。这种设计思路会造成识别模型的时效性不足，无法尽快适应监测环境的变化，同时频率较高的重复训练会产生较大的资源损耗。

技术实现思路

[0006]有鉴于此，本专利技术实施例期望提供一种基于网络结构特征归纳的半监督调制类型识别方法、装置及介质；能够针对现有半监督学习调制类型识别网络在小样本电磁频谱空间领域应用中的不足，发挥深度学习具备的由高阶调制信号向低阶调制信号泛化的能力，有效克服模型因监测环境变化引起的重复训练造成的资源浪费和实时性不足的问题，并在较广的信噪比范围内以较高的正确识别概率完成半监督学习调制类型识别任务。
[0007]本专利技术实施例的技术方案是这样实现的：
[0008]第一方面，本专利技术实施例提供了一种基于网络结构特征归纳的半监督调制类型识别方法，所述方法包括：
[0009]将无标记样本集与小样本的有标记样本集输入至特征提取网络，获得所有样本各自对应的特征向量；
[0010]基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵；
[0011]根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵；
[0012]构造并初始化迭代矩阵；
[0013]利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛；
[0014]根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测。
[0015]第二方面，本专利技术实施例提供了一种基于网络结构特征归纳的半监督调制类型识别装置，所述装置包括：特征提取网络、第一获取部分、第二获取部分、构造部分、迭代部分和预测部分；其中，
[0016]所述特征提取网络，经配置为将无标记样本集与小样本的有标记样本集输入至特征提取网络，获得所有样本各自对应的特征向量；
[0017]所述第一获取部分，经配置为基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵；
[0018]所述第二获取部分，经配置为根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵；
[0019]所述构造部分，经配置为构造并初始化迭代矩阵；
[0020]所述迭代部分，经配置为利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛；
[0021]所述预测部分，经配置为根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测。
[0022]第三方面，本专利技术实施例提供了一种计算设备，该计算设备包括：通信接口，存储器和处理器；各个组件通过总线系统耦合在一起；其中，
[0023]所述通信接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
[0024]所述存储器，用于存储能够在所述处理器上运行的计算机程序；
[0025]所述处理器，用于在运行所述计算机程序时，执行第一方面所述基于网络结构特征归纳的半监督调制类型识别方法步骤。
[0026]第四方面，本专利技术实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于网络结构特征归纳的半监督调制类型识别程序，所述基于网络结构特征归纳的半监督调制类型识别程序被至少一个处理器执行时实现第一方面所述基于网络结构特征归纳的半监督调制类型识别方法步骤。
[0027]本专利技术实施例提供了一种基于网络结构特征归纳的半监督调制类型识别方法、装置及介质；借助深度学习在调制类型识别领域具备的由高阶向低阶泛化的能力，以高阶调制信号识别模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于网络结构特征归纳的半监督调制类型识别方法，其特征在于，所述方法包括：将无标记样本集与小样本的有标记样本集输入至特征提取网络，获得所有样本各自对应的特征向量；基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵；根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵；构造并初始化迭代矩阵；利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛；根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：针对每种低阶调制信号类型，在当前电磁频谱空间所采集的调制信号样本集D
u
中获取N
label
个正确标注样本；将所述当前电磁频谱空间所采集的调制信号样本集D
u
中除去所述正确标注样本之外的剩余样本组成所述无标记样本集D
’
u
；在基于历史监测获取的高阶调制信号类型的有标记样本集D
l
中，针对每种高阶调制信号类型随机选取N
label
个样本，并与所述正确标注样本组成所述小样本的有标记样本集D
’
l
。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：在由所述基于历史监测获取的高阶调制信号类型的有标记样本集D
l
训练所得到的高阶调制信号类型卷积识别网络中，将处于卷积层结构后的第一全连接层之后的部分截断并除去处于所述卷积识别网络后方网络层，形成所述特征提取网络。4.根据权利要求1所述的方法，其特征在于，所述基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵，包括：设定所述无标记样本集D
’
u
的样本数为u，所述小样本的有标记样本集D
’
l
的样本数为l，基于所述无标记样本集D
’
u
与所述小样本的有标记样本集D
’
l
的并集所形成的总样本集D
’
u
∪D
’
l
中的样本所对应的特征向量为x
n
,n＝1,2,...,l+u；基于高斯函数定义利用所述总样本集中的样本所对应的特征向量以及下式获取连接矩阵W：其中，σ是预先设置的构图参数，且取值范围为σ＞0。5.根据权利要求4所述的方法，其特征在于，所述根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵，包括：
将所述连接矩阵W的第i行元素之和作为第i个对角元素d
i
，形成所述对角矩阵D＝diag(d1，d2，
…
，d
i
，
…
，d
l+u
)，其中，根据所述连接矩阵W以及所述对角矩阵D，基于下式获取所述传播矩阵S：S＝D
‑
1/2
WD
‑
1/2
。6.根据权利要求4所述的方法，其特征在于，所述构造并初始化迭代矩阵，包括：设定高阶调制信号类型与低阶调制信号类型的总数目为M，所述总样本集中的样本所对应的特征向量x
...

【专利技术属性】
技术研发人员：齐佩汉，都毅，王丹洋，孟永超，周小雨，丁渊磊，张抗抗，安智慧，刘向丽，关磊，位萱，张亚欣，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：