【技术实现步骤摘要】
一种基于特征分布的小样本信号调制类型识别方法
[0001]本专利技术属于信号调制类型识别
，具体涉及一种基于特征分布的小样本信号调制类型识别方法。
技术介绍
[0002]信号调制类型识别(自动调制分类)是一种研究识别无线电信号调制类型的方法。自动调制分类是指自动对接收到的信号的调制类型进行识别，在认知无线电、频谱监测以及态势感知等方面发挥着重要作用。
[0003]传统的自动调制分类方法包括基于似然的方法和基于特征的方法。其中，基于似然的方法要求进行大量的假设，基于特征的方法则对选取的特征具有很高的要求，这两种方法都需要耗费大量的人力物力资源，效率低，不能适应多变的场景，通用性较差。
[0004]近来，随着深度学习在各个领域的广泛应用，其在自动调制分类问题上也获得很大成功。传统的深度学习方法需要大量的训练样本，来使网络获得良好的泛化性能，然而这个过程需要耗费大量的资源和成本对样本进行标签工作。尤其是对于专业性较强的样本，需要技术人员对其进行标签操作，更加耗费人力物力资源。因此，如何通过少量的已标签信号样本...
【技术保护点】
【技术特征摘要】
1.一种基于特征分布的小样本信号调制类型识别方法，其特征在于，包括：S1：构建信号调制类型识别网络，所述信号调制类型识别网络包括依次连接的信号特征提取模块、分布计算模块和分类器模块，其中，所述信号特征提取模块用于提取待识别调制类型的原始信号的特征，得到信号的特征矩阵；所述分布计算模块用于对所述特征矩阵的分布进行建模，获得所述特征矩阵的分布矩阵；所述分类器模块用于根据所述分布矩阵对信号的调制类型进行识别，获得原始信号的预测类型标签；S2：获取训练支撑集和训练查询集；S3：利用所述训练支撑集和所述训练查询集对所述信号调制类型识别网络进行训练，获得经训练的信号调制类型识别网络模型；S4：利用经训练的信号调制类型识别网络对原始信号的调制类型进行识别，获得原始信号的调制类型。2.根据权利要求1所述的基于特征分布的小样本信号调制类型识别方法，其特征在于，所述信号特征提取模块包括I路信号特征提取单元和Q路信号特征提取单元，分别用于对原始信号的I路信号和Q路信号进行特征提取，其中，所述I路信号特征提取单元包括依次连接的第一一维卷积层、第一批规范化层、第一ReLU激活层、第一最大池化层、第二一维卷积层、第二批规范化层、第二ReLU激活层、第二最大池化层、第三一维卷积层、第三批规范化层、第三ReLU激活层以及第三最大池化层；所述Q路信号特征提取单元包括依次连接的第四一维卷积层、第四批规范化层、第四ReLU激活层、第四最大池化层、第五一维卷积层、第五批规范化层、第五ReLU激活层、第五最大池化层、第六一维卷积层、第六批规范化层、第六ReLU激活层以及第六最大池化层。3.根据权利要求2所述的基于特征分布的小样本信号调制类型识别方法，其特征在于，所述第一一维卷积层、所述第二一维卷积层、所述第三一维卷积层、所述第四一维卷积层、所述第五一维卷积层和所述第六一维卷积层的卷积核大小均为1
×
3，卷积核个数均为8，步长均为1；所述第一最大池化层、所述第二最大池化层、所述第三最大池化层、所述第四最大池化层、所述第五最大池化层和所述第六最大池化层的池化核大小均为1
×
3，步长为2。4.根据权利要求2所述的基于特征分布的小样本信号调制类型识别方法，其特征在于，所述S2包括：S2.1：从预定的开源信号数据集中选取训练集包含A类调制信号，且每类调制信号包含B
tr
个样本
‑
标签对；S2.2：从所述训练集中随机挑选N类调制信号，再从所述N类调制信号中每类随机挑选K个信号样本，组成训练支撑集，其中，N≤A，K＜B
tr
；S2.3：将所述N类调制信号中的剩余N*(B
tr
‑
K)个信号样本组成训练查询集。5.根据权利要求2所述的基于特征分布的小样本信号调制类型识别方法，其特征在于，所述S3包括：S3.1：设置训练的最大迭代次数T，并初始化当前迭代次数t＝0；S3.2：获取当前迭代阶段的训练支撑集和训练查询集的信号样本数据；S3.3：依次将所述训练支撑集和所述训练查询集的信号样本数据输入至所述信号调制类型识别网络，进行网络训练并...
【专利技术属性】
技术研发人员：王力，周峰，谭浩月，杨鑫瑶，车吉斌，
申请(专利权)人：西安电子科技大学，
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。