【技术实现步骤摘要】
本专利技术涉及信号处理，特别是一种小样本条件下基于元学习的单通道源分离抗干扰方法。
技术介绍
1、随着移动互联网和各类移动终端与应用的普及，日常生活中越来越多使用通过移动终端进行各种各样的音视频应用，这些应用场景大多数环境复杂并且随时发生变动，因此首先要考虑的是如何在各类不同场景下实现语音的分离以及增强。
2、目前主流的语音分离以及增强主要采用深度学习分离方法，大致可划分为时域信号分离技术和时频域信号分离技术两个方向。时域信号分离技术主要关注于直接在时域上进行信号的处理和分离，避免了时频转换可能带来的信息损失，代表性的网络结构有conv-tasnet、wave-u-net等。
3、时频域信号分离技术通常首先将时域信号转换到时频域，如通过短时傅里叶变换(stft)，然后利用深度学习模型进行分离，代表性的网络结构有dcunet、dccrn、sepformer等。sepformer是一种基于transformer的时频域分离网络，它利用自注意力机制来捕捉长距离依赖关系，以提高分离性能。
4、随着深度学习技术在图像识别、语音处理等领域取得显著成功，基于深度学习的源分离技术也被引入到信号分离和抗干扰任务中。深度学习模型通常需要大量的训练数据，包括通信信号和干扰信号的样本，在许多实际应用场景中，难以获取大量标记数据，尤其是对于新出现的干扰信号，只有少量样本可供学习，这限制了模型的泛化能力和快速适应性。
5、传统的机器学习研究模式是获取特定任务的大型数据集，然后用这个数据集从头开始训练模型，这与
6、常见的小样本学习方法有数据增强、生成模型、迁移学习和元学习等。数据增强通过对现有数据进行变换来增加数据集的大小，帮助模型学习到更多的变化和特征，从而提高泛化能力；生成模型如变分自编码器(vae)和生成对抗网络(gan)能够生成新的数据样本，扩充训练集；迁移学习是利用模型将在一个任务上学到的知识应用到另一个不同但相关的任务上，通常涉及使用预训练模型，并通过微调来适应新任务；元学习(meta-learning)，也称为“学会学习”，是一种构建学习算法的方法，使学习算法能够快速适应新任务。在小样本学习中，元学习的目标是训练一个模型，使其能够在面对新任务时，仅用少量的样本就能快速学习。一个良好的元学习模型能够很好地推广到在训练期间从未遇到过的新任务和新环境中。
7、中国专利cn 115985344 a公开了一种基于元学习的小样本无参考源语音质量评价方法及装置，通过从不同音质评价训练任务中学习使元学习器获得较好的泛化能力，从而在面对全新未知的小样本语音失真数据时，能快速有效地完成模型的更新，能够在小样本条件下获得较高的主客观评价相关度，其主要应用于无参考源音质客观评价方面，未涉及语音的分离以及增强方面的应用。
技术实现思路
1、本专利技术的目的在于提供一种能够迅速适应新出现的未知干扰，实现有效的干扰识别和抑制，保障通信的稳定性和可靠性的单通道源分离抗干扰方法。
2、实现本专利技术的解决方案为：一种小样本条件下基于元学习的单通道源分离抗干扰方法，包括元学习训练阶段和微调阶段，其中：
3、元学习训练阶段包括以下步骤：
4、步骤a1、创建训练数据集，包括通信信号、多种已知干扰信号以及两者的混合信号；
5、步骤a2、从数据集中随机提取子集构建任务集，并将任务划分为支持集和查询集，多次抽取组成一个批次batch；
6、步骤a3、搭建信号分离网络；
7、步骤a4、创建元学习目标函数和优化策略，包括内循环和外循环；
8、步骤a5、基于目标函数和优化策略，使用步骤a2得到的任务集，对步骤a3的分离网络进行训练，得到训练好的预训练分离网络模型；
9、小样本微调阶段包括以下步骤：
10、步骤b1、创建微调数据集，包括通信信号和小样本目标干扰信号以及两者的混合信号；
11、步骤b2、从微调数据集中随机提取任务构建任务集，多次抽取组成一个批次batch；
12、步骤b3、创建微调目标函数和优化策略；
13、步骤b4、基于微调目标函数和优化策略，利用步骤b2得到的任务集去微调步骤a5得到的训练好的预训练分离网络模型，得到微调后的最优分离网络模型。
14、进一步地，步骤a1中所述的创建训练数据集，具体如下：
15、采用以下两种方式中的任一种创建训练数据集：
16、第一种方式：采用计算机软件生成多种不同调制方式的通信信号以及干扰信号，调制方式为数字调制或者模拟调制，干扰信号包括数字调制干扰信号、模拟调制干扰信号、噪声调频干扰信号、噪声调幅干扰信号、单音干扰信号、多音干扰信号、梳状谱干扰信号、宽带噪声干扰、扫频干扰；
17、基于生成的目标通信信号和干扰信号，将目标通信信号和多种干扰信号随机混合组成混叠信号，干信比isr设置为0-8db，向混叠信号添加噪声生成混叠通信信号，信噪比snr为-5db到20db；混叠通信信号如下式所示：
18、
19、式中，x(t)为时频混叠通信信号，si(t)∈c1×t表示源信号，t表示信号长度，i＝1,2,...,λ，i表示第i个源信号，λ表示源信号的总数，ai表示第i个源信号对应的未知混合系数，n(t)表示高斯白噪声；
20、元学习训练数据集中包含目标通信信号与多种干扰信号，通信信号和每种干扰信号单独混合；
21、第二种方式，对实际通信设备和干扰设备进行采样，得到目标通信信号、干扰信号以及混叠信号的数据集。
22、进一步地，步骤a2所述的从数据集中随机提取子集构建任务集，并将任务划分为支持集和查询集，多次抽取组成一个批次batch，具体如下：
23、首先构建训练数据集xb，其中目标通信信号表示为s，每个干扰ji生成一个干扰信号集合ai＝{ji,s}，ji,s表示干扰样本；
24、然后通过从xb中提取子集来构建源任务tsi，源任务tsi在元学习的训练阶段被视为已知；
25、最后从源任务tsi中采样一批任务{τ1,...,τb}，任务总量为b，对应一个批次batch；对于每个任务τb，b＝1,2,...,b，将数据分割为支持集τsup,b和查询集τque,b。
26、进一步地，步骤a3所述的搭建信号分离网络，具体如下：
27、由于采用了元学习maml算法，因此信号分离网络采用已知的分离网络conv-t本文档来自技高网...
【技术保护点】
1.一种小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，包括元学习训练阶段和微调阶段，其中：
2.根据权利要求1所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤A1中所述的创建训练数据集，具体如下：
3.根据权利要求2所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤A2所述的从数据集中随机提取子集构建任务集，并将任务划分为支持集和查询集，多次抽取组成一个批次batch，具体如下：
4.根据权利要求3所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤A3所述的搭建信号分离网络，具体如下：
5.根据权利要求1所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤A4所述的创建元学习目标函数和优化策略，包括内循环和外循环，具体如下：
6.根据权利要求1所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤A5所述的基于目标函数和优化策略，使用步骤A2得到的任务集，对步骤A3的分离网络进行训练，得到训练好的预训练分离网络模
7.根据权利要求1所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤B1所述的创建微调数据集，包括通信信号和小样本目标干扰信号以及两者的混合信号，具体如下：
8.根据权利要求1所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤B2所述的从微调数据集中随机提取任务构建任务集，多次抽取组成一个batch，具体如下：
9.根据权利要求1所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤B3所述的创建微调目标函数和优化策略，具体如下：
10.一种小样本条件下基于元学习的单通道源分离抗干扰装置，其特征在于，该装置用于实现权利要求1～9任一项所述的小样本条件下基于元学习的单通道源分离抗干扰方法，所述装置包括元学习训练模块和微调模块，其中：
...【技术特征摘要】
1.一种小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，包括元学习训练阶段和微调阶段，其中：
2.根据权利要求1所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤a1中所述的创建训练数据集，具体如下：
3.根据权利要求2所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤a2所述的从数据集中随机提取子集构建任务集，并将任务划分为支持集和查询集，多次抽取组成一个批次batch，具体如下：
4.根据权利要求3所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤a3所述的搭建信号分离网络，具体如下：
5.根据权利要求1所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤a4所述的创建元学习目标函数和优化策略，包括内循环和外循环，具体如下：
6.根据权利要求1所述的小样本条件下基于元学习的单通道源分离抗干扰方法，其特征在于，步骤...
【专利技术属性】
技术研发人员：郭鹏程，于淼，李程，许拔，
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：
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。