【技术实现步骤摘要】
本专利技术涉及通信领域中开放动态环境下的信号分选处理，特别是关于面向不断演进的通信环境中信号分选的持续学习技术，具体是一种面向通信领域信号分选的持续学习方法。
技术介绍
1、在通信领域，信号分选是一个关键过程，它涉及到从复杂的信号环境中识别和提取特定信号。这一过程对于确保数据传输的准确性和效率至关重要。随着通信技术的进步，尤其是在移动通信、卫星通信和无线网络等领域，信号环境变得越来越复杂。这些环境中通常存在多种信号类型，如语音、视频、数据传输等，它们可能来自不同的来源，如不同的用户设备、服务提供商或通信协议。传统的信号分选方法往往依赖于预定义的规则或固定的模式，这在动态变化的通信环境中可能无法提供最佳性能。例如，在城市环境中，由于建筑物反射、电子设备干扰等因素，信号可能会发生变化。此外，随着新技术和服务的不断推出，新的信号类型和格式也不断出现，给传统的信号分选方法带来挑战。
2、持续学习，也称为终身学习，是机器学习领域的一个重要分支，它旨在开发能够不断适应新数据和新任务的模型。在通信领域，持续学习技术对于应对信号环境的动态变化尤为重要。这种技术能够使模型在接收到新类型的信号时，不仅能够快速适应和学习，而且还能够保留对之前信号类型的记忆和识别能力。持续学习在通信信号分选中的应用，可以有效应对新信号类型的出现以及信号特征的变化。例如，在移动通信网络中，随着新型智能手机和应用的普及，信号特征可能会发生变化。持续学习使得信号处理系统能够实时更新其模型，以适应这些变化，而不需要每次都从头开始训练新模型。此外，持续学习也有助于优
3、传统的信号分选方法往往固定于特定类型的信号，难以适应环境的快速变化和新类型信号的出现。尤其在动态变化的通信环境中，如何快速、准确地识别和分类各种信号成为一个重要的问题。此外，持续学习在处理动态变化的信号时面临着挑战，尤其是在遇到新类型信号时，如何在不遗忘已有知识的基础上迅速适应和学习，是现有技术亟待解决的问题。
技术实现思路
1、专利技术目的：针对现有技术中存在的问题与不足，本专利技术提出了一种新型的持续学习方法。该方法通过高效的数据采集系统收集各类通信信号，并对这些信号进行标注处理，以便后续的模型训练和应用。采用的持续学习技术可以适应信号特征的不断变化，通过lora模块微调技术和可扩展的兼容子空间技术，在接收到新类型信号时能够迅速调整模型，无需重新训练，从而有效地重用旧模型。这种方法在动态变化的通信环境中，如无线电信号监控、卫星通信分析以及雷达信号分选等领域，都显示出了高效率和强大的实用性。
2、技术方案：一种面向通信领域信号分选的持续学习方法，首先收集通信信号并对收集到的信号进行详细标注以供后续处理。接着利用持续学习技术，构建一个能够适应不断变化的信号特征的动态模型。该模型采用lora微调技术和可扩展的兼容子空间技术，建立旧信号和新信号类型之间的映射关系，从而实现对旧模型的有效重用；具体包括数据采集步骤、持续学习模型训练步骤和信号分类测试步骤；
3、所述数据收集步骤具体为：
4、步骤100，部署高效的数据采集系统，用于收集各类通信信号，包括无线电信号、卫星信号、网络数据流等；
5、步骤101，对收集到的通信信号进行详细标注，以确保后续模型训练和测试的准确性；
6、步骤102，持续更新数据采集系统，以适应新类型信号的出现和信号特征的变化。
7、持续学习模型训练步骤具体为：
8、步骤200，利用已收集和标注的通信信号样本训练初始分类模型m0，该模型能够对当前已知的信号类型进行有效分类，其中模型输入是通信信号样本，输出的信号种类分类；
9、步骤201，当新类型的通信信号出现时，构建一个新的lora微调模块，便于在冻结骨干网络的情况下使用较少的参数量来适应新信号；同时采用交叉熵损失函数更新，在旧模型m0的基础上训练得到新模型m1；
10、步骤202，应用可扩展的兼容子空间技术，计算新旧模型输出中对应原型特征之间的相似度矩阵，建立旧信号和新信号之间的映射关系，以实现旧模型到新模型的有效转换。假设模型m0对旧类型信号的参数为[wa1]，对新类型信号的参数为[wa2]，新模型m1对旧类型信号的参数为[wb1]，对新类型信号的参数为[wb2]，由于新模型m1是在新类型信号出现后，对模型m0进行微调得到的，因此新模型m1无法获取旧类型信号数据，即不能直接训练得到[wb1]。所以我们使用[wa1]、[wa2]计算相似度转换矩阵t，然后使用矩阵t得到[wb1]＝t[wb2]，t[wb2]表示t和[wb2]的矩阵乘法，因此我们通过相似度计算的方式可以近似估计出[wb1]。
11、步骤203，持续监测和分析信号数据，确保模型能够适应信号特征的持续变化。具体而言，通过持续监测并获取新类型信号，我们采用上述的可扩展的兼容子空间技术，来使得模型m具备同时分辨新旧类型信号的能力。
12、信号分类测试步骤具体为：
13、步骤300，收集包含新旧信号类型的测试数据，以验证最新得到的模型的分类准确性和适应性；
14、步骤301，利用经过持续学习和更新的模型m进行预测，对测试数据中的新旧信号类型进行有效分类；
15、步骤302，分析测试结果，评估模型的性能，包括分类准确率、适应新信号的速度和模型稳定性；
16、步骤303，根据测试反馈对最新的模型m进行进一步的调整和优化，确保在动态变化的通信环境中保持高效和准确。
17、本专利技术方法适用于通信领域，特别是在信号种类随时间变化和增多的场景中。在这些动态变化的环境中，传统的信号处理方法往往无法有效适应新出现的信号类型，因此需要一种能够持续学习和适应的方法。
18、该方法适用于在不同的时间段内收集到的通信信号种类会发生变化的场景，即通信信号种类随时间推移而增多。这种场景下的通信信号包括但不限于无线电信号、卫星信号和网络数据流等，随着技术的发展和用户需求的变化，新的信号类型和格式持续出现。
19、在持续学习步骤中，本专利技术采用了lora微调技术和可扩展的兼容子空间技术。通过这些技术，可以有效地获得特征/模型的最优映射关系，使得旧信号的模型能够转换为适应所有信号类别的动态模型。
20、此外，本专利技术在通过lora模块微调或者进行新的子空间扩展之后，还需要通过计算新旧模型对应输出的原型特征之间的相似度矩阵等方法，建立模型输出的匹配关系，确保模型在学习新类型信号时不会遗忘已有的信号类型。
21、一种面向通信领域信号分选的持续学习装置，包括数据采集模块、持续学习模型训练模块和信号分类测试模块；
22、所述数据采集模块中，部署数据采集系统，用于收集各类通信信号；对收集到的通信信号进行标注；持续更新数据采集系统，以适应新类本文档来自技高网...
【技术保护点】
1.一种面向通信领域信号分选的持续学习方法，其特征在于，首先收集通信信号并对收集到的信号进行标注；接着利用持续学习技术，构建一个信号特征的动态模型；所述模型采用LoRA微调技术和可扩展的兼容子空间技术，建立旧信号和新信号类型之间的映射关系，从而实现对旧模型的有效重用；具体包括数据采集步骤、持续学习模型训练步骤和信号分类测试步骤。
2.根据权利要求1所述的面向通信领域信号分选的持续学习方法，其特征在于，所述数据收集步骤具体为：
3.根据权利要求1所述的面向通信领域信号分选的持续学习方法，其特征在于，持续学习模型训练步骤具体为：
4.根据权利要求1所述的面向通信领域信号分选的持续学习方法，其特征在于，信号分类测试步骤具体为：
5.根据权利要求2所述的面向通信领域信号分选的持续学习方法，其特征在于，部署数据采集系统，用于收集各类通信信号，包括无线电信号、卫星信号和网络数据流。
6.根据权利要求1所述的面向通信领域信号分选的持续学习方法，其特征在于，该方法适用于在不同的时间段内收集到的通信信号种类会发生变化的场景，即通信信号种类
7.一种面向通信领域信号分选的持续学习装置，其特征在于，包括数据采集模块、持续学习模型训练模块和信号分类测试模块；
8.一种计算机设备，其特征在于：该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-5中任一项所述的面向通信领域信号分选的持续学习方法。
9.一种计算机可读存储介质，其特征在于：该计算机可读存储介质存储有执行如权利要求1-5中任一项所述的面向通信领域信号分选的持续学习方法的计算机程序。
...【技术特征摘要】
1.一种面向通信领域信号分选的持续学习方法，其特征在于，首先收集通信信号并对收集到的信号进行标注；接着利用持续学习技术，构建一个信号特征的动态模型；所述模型采用lora微调技术和可扩展的兼容子空间技术，建立旧信号和新信号类型之间的映射关系，从而实现对旧模型的有效重用；具体包括数据采集步骤、持续学习模型训练步骤和信号分类测试步骤。
2.根据权利要求1所述的面向通信领域信号分选的持续学习方法，其特征在于，所述数据收集步骤具体为：
3.根据权利要求1所述的面向通信领域信号分选的持续学习方法，其特征在于，持续学习模型训练步骤具体为：
4.根据权利要求1所述的面向通信领域信号分选的持续学习方法，其特征在于，信号分类测试步骤具体为：
5.根据权利要求2所述的面向通信领域信号分选的持续学习方法，其特征在于，部署数据采集系统，用于收集各类通信信号，包...
【专利技术属性】
技术研发人员：叶翰嘉，詹德川，周大蔚，孙海龙，周志华，
申请(专利权)人：南京大学，
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。