[發明專利]一種自動調制識別方法、裝置、電子設備及存儲介質

有效

• 申請號: 202110039426.8
• 申請日: 2021-01-13
• 公開（公告）號: CN112364851B
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 景曉軍;周全;張芳沛;崔原豪;張榮輝;李海涵;朱家;穆俊生
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 王剛

1.一種自動調制識別方法，其特征在于，包括：

獲取待測信號樣本、真實有樣本類別數據和語義向量；所述語義向量，包括：有樣本類別語義向量和零樣本類別語義向量；所述獲取語義向量，具體包括：

獲取信號樣本和語義向量提取模型；

將所述信號樣本輸入所述語義向量提取模型以獲取所述語義向量；

所述語義向量提取模型包括通過輸入信號樣本的調制信號數據以得到調制信號編碼輸出的第一子模型，以及通過輸入信號樣本的語義描述數據以得到語義編碼輸出的第二子模型；其中，所述第一子模型包括卷積層和全連接層，所述第二子模型包括編碼層、卷積層和全連接層；對不同調制信號數據進行編碼，獲得調制信號編碼輸出，卷積編碼學習語義關系以獲得語義矢量，而卷積層從所看到的類中獲取特征矢量，在損失函數優化之后，獲得所述語義向量；其中，編碼操作函數表示為

其中，表示對信號樣本的調制信號數據的編碼，表示對信號樣本的語義描述數據的編碼，t表示語義向量的子集，s表示信號樣本的子集；

獲取生成對抗網絡模型；所述生成對抗網絡模型基于所述有樣本類別語義向量訓練得到；所述生成對抗網絡模型，包括：生成器和判別器；

所述獲取生成對抗網絡模型；所述生成對抗網絡模型基于所述有樣本類別語義向量訓練得到，具體包括：

將所述有樣本類別語義向量輸入所述生成器以生成有樣本類別數據；

判斷所述判別器是否能夠區分所述有樣本類別數據和所述真實有樣本類別數據；

若否，則得到所述生成對抗網絡模型；

將所述零樣本類別語義向量輸入所述生成對抗網絡模型以生成零樣本類別數據；

獲取分類器模型；所述分類器模型基于所述真實有樣本類別數據和所述零樣本類別數據訓練得到；

將所述待測信號樣本輸入所述分類器模型以得到識別結果。

2.根據權利要求1所述的自動調制識別方法，其特征在于，所述識別結果，包括：有樣本類別調制模式和零樣本類別調制模式；

所述將所述待測信號樣本輸入所述分類器模型以得到識別結果，具體包括：

將所述待測信號樣本輸入所述分類器模型；

利用所述分類器模型識別所述待測信號樣本屬于所述有樣本類別調制模式或所述零樣本類別調制模式。

3. 根據權利要求1所述的自動調制識別方法，其特征在于，所述將所述信號樣本輸入所述語義向量提取模型以獲取所述語義向量，之后還包括：

利用聯合嵌入損失優化所述語義向量和所述信號樣本之間的測量關系；所述聯合嵌入損失表示為

其中，N表示所述信號樣本和所述語義向量的總數，表示0-1損失函數，y表示所述信號樣本的類別標簽，t表示所述語義向量的子集，s表示所述信號樣本的子集，E表示均值操作，F表示編碼操作。

4. 根據權利要求1所述的自動調制識別方法，其特征在于，所述得到所述生成對抗網絡模型，之后還包括：

利用優化函數優化所述生成對抗網絡模型；所述優化函數表示為

其中，表示屬于真實有樣本類別數據空間分布的數據，表示屬于零樣本類別數據空間分布的數據，表示梯度懲罰，λ表示懲罰系數，G表示所述生成器，D表示所述判別器，D(x)表示所述判別器的損失函數。

5.根據權利要求3所述的自動調制識別方法，其特征在于，所述分類器模型，包括：完全連接層和損失函數；所述損失函數表示為

其中，h表示交叉熵，f表示所述分類器模型，θ表示所述完全連接層的權重，表示所述真實有樣本類別數據，表示所述零樣本類別數據。