【技术实现步骤摘要】
面向物联网的元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
,具体涉及元学习调制模式识别方法。
技术介绍
[0002]调制识别技术是实现认知无线电的重要步骤,广泛应用于军用和民用通信中,如电子对抗战和电子监控等。通信技术广泛存在物与物的方方面面,驱动着万物互联,同时物联网的发展也离不开智能化,广泛化发展。在实际生活中,接收器处于恶劣环境时,由于环境对原始发送信号统计特性的破环和信道状态信息估计的困难,难以利用传统的CNN训练网络对信号的调制模式智能识别。
[0003]针对调制识别的难题,学术界和工业界研究也仅仅在于已知调制方式训练的情况下进行智能识别,不能对未纳入训练集的信号模式进行识别,无法做到自主学习,且训练成本巨大,需要依靠人力进行训练集的扩容,实现接收机智能化的提高;其次在信号环境恶劣,或者接收机处于恶劣环境下,信号特征模糊,无法做到精确识别。
技术实现思路
[0004]本专利技术的目的在于提供一种面向物联网的元学习调制模式识别方法,以解决现有技术中如下问题:智能调制 ...
【技术保护点】
【技术特征摘要】
1.一种面向物联网的元学习调制模式识别方法,其特征在于,包括采用阶段式元学习神经网络,构成阶段式元学习器作为分类器;具体步骤为:S1.利用信号发生器生成各种OFDM调制信号,并模拟物联网系统的信道生成不同信噪比下的接收信号;S2.对每种不同信噪比下的接收信号通过特征提取还原出近似的星座图图像;S3.对星座图图像进行图像预处理,即图像增强处理,得到预处理图像;S4.利用阶段式元学习神经网络对预处理图像进行训练以及测试分类,得到接收信号的识别结果;S5.对接收信号的识别结果进行决策验证,包括对接收信号的识别结果进行决策并计算相似度,得出调制类型。2.根据权利要求1所述的面向物联网的元学习调制模式识别方法,其特征在于,步骤S1中所述利用信号发生器生成各种调制信号,是信号发生器通过物联网的不同信道,在接收端随机生成4至16dB且间隔为4dB的信噪比范围内各种OFDM调制信号。3.根据权利要求1所述的面向物联网的元学习调制模式识别方法,其特征在于,步骤S2中所述还原出近似星座图图像的具体流程为:S21.对接收信号y(t)进行信号子载波估计,包括子载波频率间隔估计、子载波数目估计和子载波频率估计;S22.将信号分为I,II两路,进行基带信号还原,得到含有载波频偏和载波相偏的基带信号y1(t)、y2(t);S23.对相应的基带信号y1(t)、y2(t)分别进行频偏估计和相偏估计,获得频偏与相偏的估计值;S24.组合信息大致还原星座图。4.根据权利要求1所述的面向物联网的元学习调制模式识别方法,其特征在于,步骤S3中所述图像预处理的具体流程为:S31.对得到的图像进行检测;对有星座图的图像进行30
°
步幅旋转,得到6张预处理阶段I图像;S32.将预处理阶段I图像进行30*30像素的大小均一化处理,得到预处理阶段II图像;S33.将预处理阶段II图像进行灰度化处理,得到预处理图像。5.根据权利要求1所述的面向物联网的元学习调制模式识别方法,其特征在于,步骤S4中所述利用阶段式元学习神经网络对预处理图像进行训练,是在一个阶段内,存储具有最低验证损失的训练模型Mft,并且同时保存优化器的响应参数,当进入下一个阶段时,增加训练样本数,并继承上一阶段的模型Mft并在此基础上进行训练,以此不断维护更新网络,达成自学习过程。6.根据权利要求5所述的面向物联网的元学习调制模式识别方法,其特征在于,步骤S4中,首先对元学习神经网络算法进行优化,对训练过程中任务的样本数量进行改进,将固定任务样本数量改为阶段式增加训练样本数n,提高训练精度的同时降低训练耗时;其次保留最优模型训练样本数N,在此基础上固定增加样本数n,设定更新阈值为N+n;在识别未知信号过程中,对识别精准度为100%的信号进行存储,当数量达到阈值时,更新元学习神经网络,以此来更接近自适应学习,提高鲁棒性。
7.根据权利要求6所述的面向物联网的元学习调制...
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。