基于自适应特征蒸馏原型回放的类增量调制识别方法技术

本发明专利技术公开了一种基于自适应特征蒸馏原型回放的类增量调制识别方法，涉及通信信号处理方法技术领域。所述方法包括如下步骤：设计一个混合结构的深度神经网络对调制信号进行特征提取；类增量学习任务及训练测试数据集划分；类增量学习模型的训练及超参数更新：设置类增量学习模型的训练参数和初始化范例集，每个任务训练完成后，判断是否还有任务未完成，如果有则进行下一个任务的训练，反之输出模型和相关参数；分类器设计与调制分类。本申请所述方法可以在保存少量的样本情况下，通过对原型参数的限制，缓解深度学习模型对于调制识别领域的灾难性遗忘的问题，对调制信号具有高识别性能。

【技术实现步骤摘要】

本专利技术涉及通信信号处理方法，尤其涉及一种基于自适应特征蒸馏原型回放的类增量调制识别方法。

技术介绍

1、近年来，深度学习在图像分类、目标检测、语音识别、信号识别、自然语言处理等领域取得了巨大成功。然而，随着应用场景的不断扩展和任务复杂性的增加，传统的静态训练方式已经不能满足对模型持续学习和适应新任务的需求。增量学习逐渐成为了研究的热点之一，其核心目标是使模型能够在不断接触到的新任务序列中，持续学习新任务特征的同时保留已学到的知识。这意味着模型需要在接触新数据的情况下持续进行学习和调整，而不是简单地重新使用之前训练好的模型。该学习方式得到的模型能够及时适应新任务的特点和要求，且对原有任务仍然有效。然而，增量学习也面临一些挑战，其中最主要的就是灾难性遗忘。灾难性遗忘是指模型学习新任务时，在已经学习过的旧任务上识别或预测性能下降的现象。这是因为在学习新任务时，模型的参数发生改变，改变了在旧任务上学习到的特征。因此，在设计增量学习算法时，需要兼顾新旧任务之间的平衡，尽可能减少灾难性遗忘的影响，实现模型的持续学习和进化。

2、增量学习领域一直在寻找各本文档来自技高网...

【技术保护点】

1.一种基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于包括如下步骤：

2.如权利要求1所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于，所述深度学习特征提取网络模型包括：

3.如权利要求1所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于，所述步骤S102具体步骤如下步骤：

4.如权利要求3所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于，所述步骤S1021中：

5.如权利要求3所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于，所述步骤S1022中：

6....

【技术特征摘要】

1.一种基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于包括如下步骤：

2.如权利要求1所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于，所述深度学习特征提取网络模型包括：

3.如权利要求1所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于，所述步骤s102具体步骤如下步骤：

4.如权利要求3所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于，所述步骤s1021中：

5.如权利要求3所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征在于，所述步骤s1022中：

6.如权利要求1所述的基于自...

【专利技术属性】
技术研发人员：魏祥麟，汪震，胡永扬，王彦刚，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：