基于改进原型网络的小样本信号自动调制识别方法技术

本发明专利技术涉及信号调制识别技术领域，具体涉及基于改进原型网络的小样本信号自动调制识别方法。本发明专利技术设计的改进原型神经网络可以将调制信号映射成对信噪比不敏感的嵌入向量，降低了嵌入向量对单个样本信噪比变化的敏感性，有效提高信号调制类型的识别准确率；并在信号调制类型识别中，只需要少量训练样本就能获得较高的准确率。较高的准确率。较高的准确率。

【技术实现步骤摘要】
基于改进原型网络的小样本信号自动调制识别方法


[0001]本专利技术涉及信号调制识别
，具体涉及基于改进原型网络的小样本信号自动调制识别方法。

技术介绍

[0002]信号调制分类(信号自动调制识别)是一种研究识别无线电信号的调制分类方法。信号自动调制识别能够识别接收信号的调制方式，从而监控干扰信号，在频谱检测领域发挥重要作用，已经广泛应用于军事和民用信号处理领域。
[0003]传统的信号自动调制识别方法根据分类策略的不同，可以划分为基于决策理论的方法和基于模式识别的方法。这两种方法通常需要大量的数据来提供先验知识，并且其效率较低且通用性较差。
[0004]随着深度学习的发展，由于其强大的自动特征提取和表达能力，研究人员对其在信号自动调制识别领域的应用进行了深入研究，提出了许多基于深度学习的信号自动调制识别方法，例如：卷积神经网络、降噪自编码器、长短期记忆网络等。但基于深度学习的信号自动调制识别方法通常需要大量的数据信息来保证特征提取的有效性和调制类型识别的准确性。而在实际情况中，通信信号的截获通常具有很大的偶然性，很难获取到同一种调制方式的大量信号样本信息。尤其在战场侦察等特殊场景下，仅能获取到某些调制类型的少数信号样本信息。因此，研究如何在只有少量的信号样本的情况下进行调制类型的识别在信号自动调制识别领域具有重要的意义。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术的目的在于提供基于改进原型网络的小样本信号自动调制识别方法，解决了传统识别方法中每类待识别调制信号都需要数百个甚至更多标注的训练样本的问题，实现了对包含少数几个训练样本的信号调制类型识别。
[0006]为了达到上述目的，本专利技术采用以下技术方案予以实现。
[0007]基于改进原型网络的小样本信号自动调制识别方法，包括以下步骤：
[0008]步骤1，获取训练样本集和测试样本集；从训练样本集中选取出训练支撑集和训练查询集，从测试样本集中选取出测试支撑集和测试查询集；
[0009]步骤2，构建残差块
‑
编码器原型神经网络，即改进原型网络；
[0010]步骤3，使用训练支撑集和训练查询集对改进原型网络进行训练，获得训练好的改进原型网络；
[0011]步骤4，使用训练好的改进原型神经网络对测试查询集内每个样本的信号类别进行识别。
[0012]与现有技术相比，本专利技术的有益效果为：设计的改进原型神经网络可以将调制信号映射成对信噪比不敏感的嵌入向量，降低了嵌入向量对单个样本信噪比变化的敏感性，有效提高信号调制类型的识别准确率；并在信号调制类型识别中，只需要少量训练样本就
能获得较高的准确率。
附图说明
[0013]下面结合附图和具体实施例对本专利技术做进一步详细说明。
[0014]图1为本专利技术基于改进原型网络的小样本信号自动调制识别方法的流程图；
[0015]图2为本专利技术实施例的改进原型网络的结构图；
[0016]图3为本专利技术实施例的改进原型网络实现训练与测试的框架图；
[0017]图4为本专利技术实施例实验的识别正确率直方图；
[0018]图4(a)为实验1的识别正确率直方图，图4(b)为实验2的识别正确率直方图。
具体实施方式
[0019]下面将结合实施例对本专利技术的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本专利技术，而不应视为限制本专利技术的范围。
[0020]参考图1，基于改进原型网络的小样本信号自动调制识别方法，包括以下步骤：
[0021]步骤1，获取训练样本集和测试样本集；从训练样本集中选取出训练支撑集和训练查询集，从测试样本集中选取出测试支撑集和测试查询集；
[0022]具体的，本实施例样本从RML2016.10.a数据集中选取；
[0023]训练样本集包含M类调制信号，每类调制信号包含在10个不同信噪比(10个信噪比分别为0dB、2dB、4dB、6dB、8dB、10dB、12dB、14dB、16dB、18dB)下的个信号；
[0024]测试样本集包含N类调制信号，每类调制信号包含在10个不同信噪比(10个信噪比分别为0dB、2dB、4dB、6dB、8dB、10dB、12dB、14dB、16dB、18dB)下的个信号；
[0025]其中，每个信号大小为2
×
128，M≥5＞N，N≥2，本实施例取M＝8，N＝3，
[0026]从训练样本集中随机选取随机选取C类调制信号，再从C类调制信号中的每类调制信号中选取m个样本，将随机选取C
×
m个样本作为训练支撑集，将C类调制信号中剩余的个样本作为训练查询集；再将每个样本对应的调制信号类别作为标签加入对应样本所在的样本集中；
[0027]从测试样本集中的每类调制信号中随机选取m个样本作为测试支撑集，即N
×
m个样本作为测试支撑集，剩余的个样本作为测试查询集；再将测试支撑集中每个样本对应的调制信号类别作为标签加入测试支撑集中；
[0028]即最终训练支撑集、训练查询集和测试支撑集包含标签，测试查询集未包含标签。
[0029]其中C＝N，m≤10，测试样本集中的调制信号类别与训练支撑集、训练查询集中的调制信号类别不同；本实施例取m＝1或5。
[0030]步骤2，构建残差块
‑
编码器原型神经网络，即改进原型网络；
[0031]具体的，改进原型网络包含多个卷积层、多个ReLU激活层、多个批规范化层、多个层规范化层、三个多头自注意力层、原型模块和基于欧几里得距离的分类器；
[0032]参考图2，改进原型网络包含依次连接的第一卷积层、第一批规范化层、第一ReLU激活层、第二卷积层、第二批规范化层、第二ReLU激活层、第一多头自注意层、第一层规范化层、第三卷卷积层、第三批规范化层、第三ReLU激活层、第四卷积层、第四批规范化层、第四ReLU激活层、第二层规范化层、第二多头自注意力层、第三层规范化层、第五卷积层、第五批规范化层、第五ReLU激活层、第六卷积层、第六批规范化层、第六ReLU激活层、第四层规范化层、第三多头自注意力层、第五层规范化层、第七卷积层、第七批规范化层、第七ReLU激活层、第八卷积层、第八批规范化层、第八ReLU激活层、第六层规范化层、原型模块和基于欧几里得距离的分类器；
[0033]改进原型网络中，第一卷积层和第二卷积层的卷积核大小均为3
×
3，步长均为1，卷积核个数均为16，填充均为1；第三卷积层、第五卷积层和第七卷积层的卷积核大小均为1
×
1，步长均为1，卷积核个数均为512，均无填充；第四卷积层、第六卷积层和第八卷积层的卷积核大小均为1
×
1，步长均为1，卷积核个数均为128，均无填充；第一多头自注意力层、第二多头自注意力层和第三多头注意力层的头数均为4。
[0034]步骤3，使用训练支本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进原型网络的小样本信号自动调制识别方法，其特征在于，包括以下步骤：步骤1，获取训练样本集和测试样本集；从训练样本集中选取出训练支撑集和训练查询集，从测试样本集中选取出测试支撑集和测试查询集；步骤2，构建残差块
‑
编码器原型神经网络，即改进原型网络；步骤3，使用训练支撑集和训练查询集对改进原型网络进行训练，获得训练好的改进原型网络；步骤4，使用训练好的改进原型神经网络对测试查询集内每个样本的信号类别进行识别。2.根据权利要求1所述的基于改进原型网络的小样本信号自动调制识别方法，其特征在于，步骤1具体的，训练样本集和测试样本集中的样本从现有数据集中选取；训练样本集包含M类调制信号，每类调制信号包含在多个不同信噪比下的个信号；测试样本集包含N类调制信号，每类调制信号包含在多个不同信噪比下的个信号；其中，每个信号大小为2
×
128，M≥5＞N，N≥2，从训练样本集中随机选取随机选取C类调制信号，再从C类调制信号中的每类调制信号中选取m个样本，将随机选取C
×
m个样本作为训练支撑集，将C类调制信号中剩余的个样本作为训练查询集；再将每个样本对应的调制信号类别作为标签加入对应样本所在的样本集中；从测试样本集中的每类调制信号中随机选取m个样本作为测试支撑集，即N
×
m个样本作为测试支撑集，剩余的个样本作为测试查询集；再将测试支撑集中每个样本对应的调制信号类别作为标签加入测试支撑集中；其中C＝N，m≤10，测试样本集中的调制信号类别与训练支撑集、训练查询集中的调制信号类别不同。3.根据权利要求1所述的基于改进原型网络的小样本信号自动调制识别方法，其特征在于，步骤2的改进原型网络，具体的，改进原型网络包含多个卷积层、多个ReLU激活层、多个批规范化层、多个层规范化层、三个多头自注意力层、原型模块和基于欧几里得距离的分类器；改进原型网络包含依次连接的第一卷积层、第一批规范化层、第一ReLU激活层、第二卷积层、第二批规范化层、第二ReLU激活层、第一多头自注意层、第一层规范化层、第三卷卷积层、第三批规范化层、第三ReLU激活层、第四卷积层、第四批规范化层、第四ReLU激活层、第二层规范化层、第二多头自注意力层、第三层规范化层、第五卷积层、第五批规范化层、第五ReLU激活层、第六卷积层、第六批规范化层、第六ReLU激活层、第四层规范化层、第三多头自注意力层、第五层规范化层、第七卷积层、第七批规范化层、第七ReLU激活层、第八卷积层、第八批规范化层、第八ReLU激活层、第六层规范化层、原型模块和基于欧几里得距离的分类器；改进原型网络中，第一卷积层和第二卷积层的卷积核大小均为3
×
3，步长均为1，卷积核个数均为16，填充均为1；第三卷积层、第五卷积层和第七卷积层的卷积核大小均为1
×
1，
步长均为1，卷积核个数均为512，均无填充；第四卷积层、第六卷积层和第八卷积层的卷积核大小均为1
×
1，步长均为1，卷积核个数均为128，均无填充；第一多头自注意力层、第二多头自注意力层和第三多头注意力层的头数均为4。4.根据权利要求1所述的基于改进原型网络的小样本信号自动调制识别方法，其特征在于，步骤3包含以下子步骤：子步骤3.1，设置最大迭代次数为T，T≥4000，初始化迭代次数t＝0；子步骤3.2，获取训练支撑集和训练查询集中每个样本的样本序列；子步骤3.3，将样本序列作为改进原型神经网络的输入，改进原型神经网络输出对应的预测类别，对改进原型神经网络进行训练。5...

【专利技术属性】
技术研发人员：周峰，谭浩月，王力，石晓然，白雪茹，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：