[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

本申請中一個或多個實施例提供一種自動調制識別方法、裝置、電子設備及存儲介質，包括：獲取待測信號樣本、真實有樣本類別數據和語義向量；獲取生成對抗網絡模型；將零樣本類別語義向量輸入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；將待測信號樣本輸入分類器模型以得到識別結果。本申請通過利用有樣本類別語義向量訓練生成對抗網絡模型，從而通過生成對抗網絡模型生成零樣本類別數據，以解決部分調制信號沒有樣本的問題，在得到了分類性能優越的分類器模型的同時，通過生成對抗網絡模型生成零樣本類別數據，達到減少收集訓練數據的難度的目的。

技術領域

本申請中一個或多個實施例涉及信號分析技術領域，尤其涉及一種自動調制識別方法、裝置、電子設備及存儲介質。

背景技術

現有技術中，基于深度學習算法需要通過用海量的訓練集進行訓練后，才能夠得到優越的分類性能，但是在非合作通信方式中，擁有的訓練樣本較少，甚至有些類別的調制信號不存在樣本，然而現有技術中的深度學習算法在零樣本條件下無法工作，無法執行自動調制識別任務。

而零次射擊學習通過在語義描述上將各個圖像類別建立聯系，試圖改善零樣本對于深度學習模型的影響，然而圖像可以通過視覺屬性進行語義描述，調制信號的視覺特征不明顯，無法用視覺屬性進行語義描述，無法直接應用在調制信號上。因此，現有技術存在著無法在零樣本條件下進行自動調制識別的問題。

發明內容

有鑒于此，本申請中一個或多個實施例的目的在于提出一種自動調制識別方法、裝置、電子設備及存儲介質，以解決現有技術存在的上述至少一個問題。

基于上述目的，本申請中一個或多個實施例提供了一種自動調制識別方法，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；

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；

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。

可選的，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。

可選的，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。

可選的，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。

可選的，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