【技术实现步骤摘要】
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
[0001]本专利技术属于通信
，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。
技术介绍
[0002]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。
[0003]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...
【技术保护点】
【技术特征摘要】
1.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，其特征在于，包括如下步骤：步骤1：获取加性高斯白噪声下不同信噪比多种通信调制信号作为训练数据集；步骤2：根据噪声信噪比的个数将所述训练数据集分为N个子任务数据，一个信噪比下信号的识别对应一个子任务，并根据信噪比的大小对子任务进行编号，信噪比越大编号越大，每个子任务包含多种通信信号；步骤3：构建残差神经网络结构用于信号的分类；步骤4：从当前未使用过的子任务中的最低编号子任务数据中随机抽取低于子任务数据10％的少量样本并将其分为训练集与测试集，作为残差神经网络的输入；步骤5：随机初始化残差神经网络初始参数，并将抽取样本训练集输入至残差神经网络中，快速迭代，更新残差神经网络参数；步骤6：将抽取样本测试集输入至更新后的残差神经网络中，根据测试集标签与实际输出更新元学习损失函数；步骤7：对元学习损失函数求梯度，并利用此梯度对残差神经网络参数进行更新；步骤8：多次重复上述步骤4至步骤7，直至完成N个子任务数据的抽取；步骤9：将与最终测试信号性质相同的通信调制信号输入到残差神经网络中，重复步骤5，完成残差神经网络的参数更新；步骤10：将最终测试信号输入到残差神经网络，得到最终的分类结果。2.根据权利要求1所述的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，其特征在于：步骤1中，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：其中，P
r
为信号的功率，P
v
为噪声的功率。3.根据权利要求1所述的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，其特征在于：步骤2中，噪声信噪比的个数为N，子任务个数为N，每个子任务数据中包含r种通信信号，每个子任务数据中包含通信信号的种类相同，每个子任务包含的通信信号种类个数与最终测试所用的通信调制信号种类个数相同，每个子任务中样本个数相同。4.根据权利要求1所述的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，其特征在于：步骤3中，所述残差神经网络由6个残差块、2个全连接层、1个Dropout层和1个Softmax层组成，全连接层将自动提取的高层次特征整合为局部特征信息；Softmax层用于多类分类，其表达式为：
其中，a
k'
是输出层第k'个输入信号，y
k'
是第k'个神经元的输出，C为输出节点的个数，即分类的类别个数，a
c
表示输出层的第c个输入信号。5.根据权利要求4所述的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，其特征在于：每个残差块采用残差块一或残差块二的网络结构，所述残差块一和残差块二由一个卷积层、两个子残差块和池化层组成，每个子残差块中包含2个卷积层，所有卷积层均包含32个卷积核，步长为1，填充为1；残差块一和残差块二的子残差块卷积核大小不同，残差块一的子残差块卷积核大小为3
×
2,残差块二的子残差块卷积核大小为3
×
1；位于子残差块外部的那个卷积层使用Relu函数激活；每个子残差块的输出也由Relu函数激活，并进行最大池化，其中，卷积层对输入进行卷积运算，用来提取信号的特征，卷积运算的表达式为：x
l
′
＝f(w
l
′
*x
l
′‑1+b
l
′
)其中，l'表示网络层的数量，网络层包括输入层和卷积层，w
...
【专利技术属性】
技术研发人员：孙晓东，刘禹震，孙思瑶，于晓辉，李新波，
申请(专利权)人：吉林大学，
类型：发明
国别省市：
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。