【技术实现步骤摘要】
一种面向物联网的双路径机器学习调制模式识别方法
[0001]本专利技术属于通信信号调制识别
，具体涉及面向物联网的双路径机器学习调制模式识别方法。
技术介绍
[0002]通信信号的调制模式识别是信号处理和模式识别领域中的一项关键技术，也是一项难点技术。该项技术广泛的应用于军用领域和民用领域，有着重要的应用价值和科学意义。在信息传输时，为了能够利用信道进行快速、有效地真实信息传递，通信系统中往往采用不同的信号调制模式，来达到充分利用信道容量的目的。因此，通信信号调制模式是区分不同类型通信信号的关键特征之一。
[0003]针对调制识别的难题，学术界和工业界研究也仅仅只能对部分调制模式进行智能识别，随着5G通信技术的发展，使得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，在保证识别精度和低复杂度的前提下，如何能够应对调制信号种类的增多且如何能够自主学习识别便成了调制模式识别技术未来新的发展方向。
技术实现思路
[0004]本专利技术提供一种面向物联网的双路径机器学习调制模式识别方法，以解决...
【技术保护点】
【技术特征摘要】
1.一种面向物联网的双路径机器学习调制模式识别方法，其特征在于，包括：在训练网络之前，获取图像数据集，包括通过对调制信号的时频特征进行特征提取获得时频特征图像，通过对调制信号进行还原生成星座图来；在训练网络阶段，采用原型网络小样本元学习的方式进行模型训练，应对来自不同种图像的识别能力；在调制模式识别阶段，分为模糊分类与精准分类两个阶段：在模糊分类阶段，通过对待识别信号的时频特征图像的识别能够有效的识别出非数字调制信号和数字调制信号，并为精准分类提供模糊分类结果作为参考；在精准分类阶段，将已区分出的数字调制信号通过还原星座图来得到精准分类结果，通过决策分类算法，将两种分类结果通过决策方式确定最终数字调制信号结果；具体步骤为：S1.采集图像数据集：将调制信号分为时频特征图像生成和还原星座图两个路径，分别获取图像并进行标签处理，形成图像数据集；S2.将带标签的图像数据集进行图像预处理，得到预处理图像数据集；S3.将预处理数据集通过原型网络小样本元学习的方式进行训练并测试获取最优模型，搭建元学习神经网络；S4.对待识别信号，首先进行模糊分类，对信号归一化处理生成时频特征图像通过已训练的元学习神经网络输出模糊分类结果，将待识别信号中的非数字调制信号剔除得到模糊分类数字调制信号并输出非数字调制信号结果，并将数字调制信号的模糊分类结果进行保存；S5.对模糊分类数字调制信号进行精准分类，还原星座图及数据增强生成预处理图像通过已训练的元学习神经网络，得到精准分类结果；S6.利用决策分类算法对两种分类结果进行决策，得出数字调制信号类型。2.根据权利要求1所述的面向物联网的双路径机器学习调制模式识别方法，其特征在于，步骤S1中所述图像数据集采集过程中，将调制信号分为互斥的两组，分别通过所述两种路径获取图像，在获取图像后对图像进行调制类型标签注释：对通过时频特征获取的时频特征图像仅标注AM、FM、PSK、ASK、FSK、QAM模糊分类标签，对星座图的标注除标注调制类型外还标注调制阶数等精确分类标签：{2～2
n
}ASK,(n＝2,3,4)、{2～2
n
}PSK,(n＝2,3,4)、{2～2
n
}QAM,(n＝2,3,
…
6)}。3.根据权利要求2所述的面向物联网的双路径机器学习调制模式识别方法，其特征在于，步骤S2中所述预处理的具体流程为：S21.对图像数据集进行30*30像素的大小均一化处理；S22.对其中星座图数据集进行15
°
步幅旋转，得到12张带有步幅度数标签的图像；S23.对S21和S22处理后的图像统一进行灰度化处理，得到预处理图像。4.根据权利要求3所述的面向物联网的双路径机器学习调制模式识别方法，其特征在于，步骤S3中所述元学习网络训练过程中，采用内外双循环的算法，旨在训练模型本身的学习能力，即学习相似任务的分布来找到最优模型参数，在每个任务开始时，都从最优权重开始，且每个阶段逐步提高任务量，模拟人类学习能力曲线进行学习，以更少的步骤来达到收敛以及获得更好的学习效果。
5.根据权利要求4所述的面向物联网的双路径机器学习调制模式识别方法，其特征在于，在构建的原型网络小样本元学习网络中，首先得到每个类别原型C
k
：其中，|S
k
|为支撑集Strain中属于类别k的所有样本个数，f
θ
(x
i
)即为训...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。