【技术实现步骤摘要】
本专利技术涉及通信，特别是涉及一种基于元学习的联合信源信道编码方法、装置及介质。
技术介绍
1、联合信源信道编码(jscc)在无线图像传输中是一种重要的技术，旨在通过联合设计信源编码和信道编码方案，使信源编码和信道编码相互融合，以便在有限的无线信道带宽和传输能力下，实现高质量图像传输；其中，小样本学习是机器学习领域的一个重要研究方向，为了有效利用有限的训练样本，研究者们提出了众多小样本学习方法，旨在从有限样本中学习到一般化的特征表示和模型，以提高在小样本下的无线图像传输性能。通过综合利用小样本学习方法、信源编码技术、信道编码技术和联合优化算法，解决了小样本学习的无线图像传输中的问题，提高了图像传输的可靠性和效率。
2、但是在实际应用中，由于训练网络所需的样本数量有限，导致网络在面对未见过的信道条件时性能下降，从而影响其泛化能力；其次，由于通信信道被纳入神经网络架构，其性能取决于信道模型的准确性，在复杂或不稳定的通信环境中，模型难以准确地捕捉信道的动态特性，从而影响通信系统的可靠性；再次，由于训练集中包含了特定信道条件的有限样本，模型的网络过度拟合于这些条件，而在其他信道条件下表现不佳。
技术实现思路
1、本专利技术提供一种基于元学习的联合信源信道编码方法、装置及介质，以解决难以在不同信道和小样本条件下进行有效的图像传输的问题。
2、为了解决上述问题，本专利技术提供了一种基于元学习的联合信源信道编码方法，包括：
3、获取目标图像；
4、
5、根据所述编码结果对所述目标图像进行传输。
6、本专利技术通过使用目标模型根据目标图像进行信源信道编码，能够快速得到编码结果以对目标图像进行传输，该信源信道编码方法简便快捷，实用性高。其中，由于深度联合信源信道编码模型是通过对预设模型进行内循环和外循环训练得到的，所以深度联合信源信道编码模型的内部网络参数和外部网络参数能够在训练过程中得到优化更新，使深度联合信源信道编码模型在有限的训练任务中充分学习到信息之间的联系和差别，拥有良好的图像编码传输能力和适应能力，以便根据若干元学习任务对神经网络模型进行端到端的训练，使所得到的目标模型在学习到深度联合信源信道编码模型快速适应不同信道环境能力的同时，在若干元学习任务中进一步提升图像编码传输能力。
7、相比于现有技术，本专利技术通过使用具有优秀信道环境适应能力和图像编码传输能力的目标模型对目标图像进行信源信道编码，即可得到编码结果以对目标图像进行传输，能够避免模型在编码时难以准确地捕捉信道的动态特性或者出现过度拟合的问题，所以能够解决难以在不同信道和小样本条件下进行有效的图像传输的问题。
8、作为优选方案，所述深度联合信源信道编码模型是通过对预设模型进行内循环和外循环训练得到的，具体为：
9、初始化所述预设模型的内部网络参数，使用预设的支持集，根据预设的第一损失函数对初始化后的所述内部网络参数进行优化更新，得到第一训练模型；
10、使用预设的查询集，根据预设的元损失函数对所述第一训练模型的外部网络参数进行优化更新，得到第二训练模型；
11、使用若干训练任务中的第一训练任务对所述第二训练模型进行训练，得到第三训练模型；其中，所述若干训练任务是根据瑞利慢衰落模型和预设的信道信噪比构建的；
12、对所述第三训练模型的内部网络参数和外部网络参数进行迭代优化更新，并使用优化更新后的所述第三训练模型遍历所述若干训练任务中的其余任务，得到所述深度联合信源信道编码模型。
13、本优选方案中，初始化预设模型的内部网络参数能够让预设模型更好地泛化到新的任务以及概念；并且，内循环的参数是通过观察支持集的数据进行优化更新的，这些参数更加关注于特定任务的细节，所以能够帮助预设模型学习到更多训练任务中信息之间的联系和差别，增强模型的适应能力；
14、本优选方案从总体来看，通过交替训练实现预设模型的内部网络参数和外部网络参数更新，能够不断对该模型进行优化，提高使用少量样本即可适应新任务的能力，使最终得到的深度联合信源信道编码模型同时拥有良好的图像编码传输能力和适应能力，能够用于后续对神经网络模型进行训练，以使神经网络模型快速适应不同的信道环境。
15、作为优选方案，使用预设的查询集，根据预设的元损失函数对所述第一训练模型的外部网络参数进行优化更新，得到第二训练模型，具体为：
16、使用在经过所述第一训练任务后，所述第一训练模型的外部网络参数在所述查询集上的损失函数建立所述元损失函数；
17、以最小化所述元损失函数为目标，对所述第一训练模型的外部网络参数进行优化更新，得到所述第二训练模型。
18、本优选方案的第一训练模型是使用查询集来优化其性能，由于查询集通常包含多个任务或概念，囊括的数据信息较广，所以通过计算查询集上的元损失函数，然后使用该损失来更新第一训练模型的参数，能够减少所得到的第二训练模型在整个查询集上的损失，使第二训练模型拥有良好的泛化能力。
19、作为优选方案，使用若干训练任务中的第一训练任务对所述第二训练模型进行训练，得到第三训练模型，具体为：
20、将预设的原始输入图像映射到所述若干训练任务中第一训练任务的复值通道输入符号上，得到输出信号；
21、使用所述第二训练模型根据所述原始输入图像进行信源信道编码，得到第一编码结果；
22、根据所述第一编码结果，使所述输出信号在信道上传输，得到损坏输出数据；
23、根据所述损坏输出数据进行关于所述原始输入图像的近似重建，得到重建图像；
24、根据所述原始输入图像和所述重建图像对所述第二训练模型进行修正，得到所述第三训练模型。
25、本优选方案是通过实际的训练任务来训练优化得到第三训练模型；其中，通过结合第二训练模型的第一编码结果让输出信号在信道上传输，可以获取到实际的损坏数据，根据该数据进行近似重建，所得到的重建图像能够反应出自身与原始输入图像之间的差异，因此能够使用这两组图像作为对照组对第二训练模型进行修正，使第三训练模型的编码能力得到优化；
26、此外，这种通过实际信道进行训练的方法有助于模型更好地捕捉信道的动态特性，提高通信系统在复杂或不稳定通信环境中的可靠性，且能够减少模型网络对特定信道条件的过度拟合，以提高第三训练模型在各种信道条件下的鲁棒性能。
27、作为优选方案，所述若干训练任务是根据瑞利慢衰落模型和预设的信道信噪比构建的，具体为：...
【技术保护点】
1.一种基于元学习的联合信源信道编码方法，其特征在于，包括：
2.如权利要求1所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述深度联合信源信道编码模型是通过对预设模型进行内循环和外循环训练得到的，具体为：
3.如权利要求2所述的一种基于元学习的联合信源信道编码方法，其特征在于，使用预设的查询集，根据预设的元损失函数对所述第一训练模型的外部网络参数进行优化更新，得到第二训练模型，具体为：
4.如权利要求2所述的一种基于元学习的联合信源信道编码方法，其特征在于，使用若干训练任务中的第一训练任务对所述第二训练模型进行训练，得到第三训练模型，具体为：
5.如权利要求2所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述若干训练任务是根据瑞利慢衰落模型和预设的信道信噪比构建的，具体为：
6.如权利要求1所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述目标模型是根据若干元学习任务的若干梯度，通过深度联合信源信道编码模型对预设的神经网络模型进行端到端的训练，使所述神经网络模型的外部网络参数进行迭代更新而
7.如权利要求6所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述微调具体为：
8.如权利要求1所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述若干元学习任务是通过设置不同的平均信道信噪比而构建的，具体为：
9.一种基于元学习的联合信源信道编码装置，其特征在于，包括获取模块、编码模块和传输模块；
10.如权利要求9所述的一种基于元学习的联合信源信道编码装置，其特征在于，所述编码模块包括内部更新单元、外部更新单元、任务训练单元和模型获取单元；
11.如权利要求10所述的一种基于元学习的联合信源信道编码装置，其特征在于，所述外部更新单元包括第一更新子单元和第二更新子单元；
12.如权利要求10所述的一种基于元学习的联合信源信道编码装置，其特征在于，所述任务训练单元包括第一训练子单元、第二训练子单元、第三训练子单元、第四训练子单元和第五训练子单元；
13.如权利要求10所述的一种基于元学习的联合信源信道编码装置，其特征在于，所述任务构建单元包括第一任务单元、第二任务单元和第三任务单元；
14.如权利要求9所述的一种基于元学习的联合信源信道编码装置，其特征在于，所述编码模块包括初始化单元、第一更新单元和第二更新单元；
15.如权利要求14所述的一种基于元学习的联合信源信道编码装置，其特征在于，所述微调具体为：
16.如权利要求9所述的一种基于元学习的联合信源信道编码装置，其特征在于，所述编码模块包括第一建立单元、第二建立单元和第三建立单元；
17.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被计算机调用并执行，实现如上述权利要求1至8任意一种基于元学习的联合信源信道编码方法。
...【技术特征摘要】
1.一种基于元学习的联合信源信道编码方法，其特征在于，包括：
2.如权利要求1所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述深度联合信源信道编码模型是通过对预设模型进行内循环和外循环训练得到的，具体为：
3.如权利要求2所述的一种基于元学习的联合信源信道编码方法，其特征在于，使用预设的查询集，根据预设的元损失函数对所述第一训练模型的外部网络参数进行优化更新，得到第二训练模型，具体为：
4.如权利要求2所述的一种基于元学习的联合信源信道编码方法，其特征在于，使用若干训练任务中的第一训练任务对所述第二训练模型进行训练，得到第三训练模型，具体为：
5.如权利要求2所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述若干训练任务是根据瑞利慢衰落模型和预设的信道信噪比构建的，具体为：
6.如权利要求1所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述目标模型是根据若干元学习任务的若干梯度，通过深度联合信源信道编码模型对预设的神经网络模型进行端到端的训练，使所述神经网络模型的外部网络参数进行迭代更新而得到的，具体为：
7.如权利要求6所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述微调具体为：
8.如权利要求1所述的一种基于元学习的联合信源信道编码方法，其特征在于，所述若干元学习任务是通过设置不同的平均信道信噪比而构建的，具体为：
9.一种基于元...
【专利技术属性】
技术研发人员：孙颖，
申请(专利权)人：广东电网有限责任公司，
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。