一种基于强化学习的信号类型识别方法技术

本发明专利技术提供了一种基于强化学习的信号类型识别方法，涉及人工智能技术领域，本发明专利技术的方法包括：对训练信号的IQ数据进行零均值归一化处理与切片操作，生成IQ样本数据；构建带one‑hot标签的数据集；构建深度学习策略网络和深度学习目标网络；迭代执行训练过程：从数据集提取一个样本数据作为当前状态；根据ε‑贪心算法选择动作，执行动作，根据数据集对应关系获取奖励和下一状态；根据损失值计算结果与优化器通过反向传播方法更新深度学习策略网络的参数，输出深度学习策略网络模型；将待识别信号输入训练完成的深度学习策略网络，通过投票算法输出最终信号类型。本发明专利技术的方法能够实现对通信信号类型的高效识别，具有很强的信号识别准确率与泛化能力。

【技术实现步骤摘要】

本专利技术涉及人工智能，具体涉及一种基于强化学习的信号类型识别方法。

技术介绍

1、信号识别技术是现代通信、电子对抗、频谱管理和无线监测等领域的关键基础技术之一，其核心任务在于从接收到的无线信号中识别出具体的信号类型。同时，随着深度学习技术的发展，深度学习在信号类型识别、频谱感知、干扰检测等任务中也有了初步成效。

2、尽管深度学习为信号识别提供了新的解决路径，但其在实际应用中仍面临诸多挑战。深度模型通常需要大量带标签的数据进行训练，而在无线监测、非合作通信等场景中，信号来源复杂、标签缺失严重，制约了监督学习模型的有效应用。

3、因此，如何将深度学习与信号识别有效融合，并设计出适应性强、数据驱动、具有在线学习能力的模型，成为亟待解决的问题。

技术实现思路

1、为了解决相关技术中的技术问题，本专利技术提供了一种基于强化学习的信号类型识别方法。

2、为了达到上述目的，本专利技术采用的技术方案包括：

3、根据本专利技术的第一方面，提供了一种基于强化学习的信号类型识别方法本文档来自技高网...

【技术保护点】

1.一种基于强化学习的信号类型识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于强化学习的信号类型识别方法，其特征在于，在所述步骤S1中，所述零均值归一化处理的公式为：

3.根据权利要求2所述的基于强化学习的信号类型识别方法，其特征在于，在所述步骤S1中，切片操作的切片长度W=8192，同时，生成样本尺寸为1×8192。

4.根据权利要求3所述的基于强化学习的信号类型识别方法，其特征在于，在所述步骤S2中，I路数据与Q路数据的拆分方式为：将8192维样本拆分为两个4096维向量。

5.根据权利要求1所述的基于强化学习的信号类...

【技术特征摘要】

1.一种基于强化学习的信号类型识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于强化学习的信号类型识别方法，其特征在于，在所述步骤s1中，所述零均值归一化处理的公式为：

3.根据权利要求2所述的基于强化学习的信号类型识别方法，其特征在于，在所述步骤s1中，切片操作的切片长度w=8192，同时，生成样本尺寸为1×8192。

4.根据权利要求3所述的基于强化学习的信号类型识别方法，其特征在于，在所述步骤s2中，i路数据与q路数据的拆分方式为：将8192维样本拆分为两个4096维向量。

5.根据权利要求1所述的基于强化学习的信号类型识别方法，其特征在于，在所述步骤s3中，所述深度学习策略网络和深度学习目标网络采用基于自注意力机制的卷积神经网络结构，包含特征提取模块和注意力融合模块；

6.根据权利要求5所述的基于强化学习的信号类型识别方法，其特征在于，所述基于自注意力机制的卷积神经网络结构为双输入单输出的结构，输入数据分别为尺寸为1*4096的iq信号数据，网络分对iq信号数依次使用128、64个卷积核模...

【专利技术属性】
技术研发人员：李建清，王珂，高祎霆，陈虎，刘利，周元，陈建珉，黄孝武，刘凯，
申请(专利权)人：成都海擎科技有限公司，
类型：发明
国别省市：