一种基于元学习的小样本通信信号调制识别方法技术

一种基于元学习的小样本通信信号调制识别方法，它涉及一种小样本通信信号调制识别方法。本发明专利技术为了解决在复杂电磁环境的干扰下，会面临信号难以获得、可靠样本数据量过少的问题。本发明专利技术的步骤包括步骤1、处理信号数据集；步骤2、搭建网络模型MSE‑ResNet；步骤3、构建类原型度量模块MML；步骤4、利用训练任务集合训练MML‑MSE‑ResNet模型，将测试任务输入训练好的模型中输出识别结果。本发明专利技术属于通信技术领域。

【技术实现步骤摘要】

本专利技术涉及一种小样本通信信号调制识别方法，属于通信。

技术介绍

1、信息化进程的不断推进导致电磁环境日趋复杂，在高度灵活、机动的战场态势背景下，各作战平台之间以及作战平台与指挥机构之间都需要依靠无线电信号来传输情报数据、作战指令与协同信息，推进军事领域的作战技术，必须深入研究复杂电磁环境下的信号识别问题，因此在该环境下如何实现通信信号的有效识别是一个关键问题。近年来深度学习已成功应用于广泛领域，依靠深度学习技术解决信号识别问题已成为通信领域重要研究方向。

2、o′shea t j等人率先将深度学习应用于调制信号识别领域后，依靠深度学习的信号识别方法便不断推陈出新，li等人利用信号的循环谱和深度自编码器，完成了对fsk、psk、ask、msk和qam五类调制信号的识别，但需要对大量数据进行预处理获得每个信号的循环谱信息。后续研究人员将深度学习模型应用在图像处理中，可以得到极高的准确率，he等将resnet101应用在深度卷积神经网络中，大大提高了图像分类的准确度。doon等使用12层卷积神经网络对cifar－10数据集进行图像识别，在测试中得本文档来自技高网...

【技术保护点】

1.一种基于元学习的小样本通信信号调制识别方法，其特征在于：所述一种基于元学习的小样本通信信号调制识别方法的步骤包括：

2.根据权利要求1所述的一种基于元学习的小样本通信信号调制识别方法，其特征在于：步骤1中处理信号数据集的方法为：

3.根据权利要求1所述的一种基于元学习的小样本通信信号调制识别方法，其特征在于：步骤2中搭建网络模型MSE-ResNet的具体步骤如下：

4.根据权利要求1所述的一种基于元学习的小样本通信信号调制识别方法，其特征在于：步骤3中构建类原型度量模块MML的具体步骤如下：

5.根据权利要求1所述的一种基于元学习的小样...

【技术特征摘要】

1.一种基于元学习的小样本通信信号调制识别方法，其特征在于：所述一种基于元学习的小样本通信信号调制识别方法的步骤包括：

2.根据权利要求1所述的一种基于元学习的小样本通信信号调制识别方法，其特征在于：步骤1中处理信号数据集的方法为：

3.根据权利要求1所述的一种基于元学习的小样本通信信号调制识别方法，其特征在于：步骤2中搭建网络模型mse-resnet的具体步骤...

【专利技术属性】
技术研发人员：侯长波，王紫微，易志成，周志超，宋振，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：