【技术实现步骤摘要】
本专利技术涉及一种基于样本选择与半监督学习的鲁棒调制信号识别方法及系统，属于信号处理。
技术介绍
1、自动调制识别是一项通过分析和辨识无线通信信号调制方式的技术，旨在自动分类收到的信号的调制类型，以提高信号解调和解码效率。这项技术在电信、电子战、无人系统和物联网等方面发挥关键作用，具体为在军事领域用于电子侦察、无人系统通信和电子战，有助于情报收集和频谱管理；在民用领域优化无线通信系统、进行频谱监测，支持物联网和智能城市发展。
2、传统的自动调制识别方法通常依赖于人工设计的特征提取器和分类器，但面对复杂无线信号环境时效果有限。深度学习通过训练深度神经网络，能够自动学习信号的高效特征表示，提高了识别的准确性和鲁棒性。通过在大规模数据集上进行训练，使深度学习模型能够适应各种调制类型和环境条件，为实际应用提供更好的适配性。
3、然而，在军事非合作场景下信号标签获取困难，在民用合作场景下容易出现人工标注错误，导致难以获取足够的高质量信号及其对应标签训练深度神经网络模型，降低模型的鲁棒性能和识别性能。
...
【技术保护点】
1.一种基于样本选择与半监督学习的鲁棒调制信号识别方法，其特征在于，包括：
2.根据权利要求1所述的基于样本选择与半监督学习的鲁棒调制信号识别方法，其特征在于，所述权重为W2的网络模型的训练包括：
3.根据权利要求2所述的基于样本选择与半监督学习的鲁棒调制信号识别方法，其特征在于，所述调制信号为N为信号样本数，xi为调制信号样本，yi∈{0,1,2……,K-1}，K为信号类别数。
4.根据权利要求2所述的基于样本选择与半监督学习的鲁棒调制信号识别方法，其特征在于，所述将带有噪声标签的调制信号输入卷积神经网络初步，得到权重为W1的网络
<...【技术特征摘要】
1.一种基于样本选择与半监督学习的鲁棒调制信号识别方法，其特征在于，包括：
2.根据权利要求1所述的基于样本选择与半监督学习的鲁棒调制信号识别方法，其特征在于，所述权重为w2的网络模型的训练包括：
3.根据权利要求2所述的基于样本选择与半监督学习的鲁棒调制信号识别方法，其特征在于，所述调制信号为n为信号样本数，xi为调制信号样本，yi∈{0,1,2……,k-1}，k为信号类别数。
4.根据权利要求2所述的基于样本选择与半监督学习的鲁棒调制信号识别方法，其特征在于，所述将带有噪声标签的调制信号输入卷积神经网络初步，得到权重为w1的网络模型包括：
5.根据权利要求2所述的基于样本选择与半监督学习的鲁棒调制信号识别方法，其特征在于，所述基于置信度的样本选择方法，将得到的预测概率与各类别的置信度进行对比，筛选出正确标签样本与错误标签...
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。