[发明专利]基于神经网络的调制方式识别及模型训练方法和装置

说明书

本发明公开了一种基于神经网络的调制方式识别及模型训练方法和装置，所述方法包括：利用完备数据集充分训练基础模型，并利用非完备数据集对目标模型进行预训练；将基础、目标模型的输出，输入到判别器，构建出对抗性迁移学习模型；多次迭代训练所述对抗性迁移学习模型中的目标模型，得到最终的调制方式识别模型。应用本发明可以解决现有的在基于深度学习的自动调制识别场景中遇到的多种数据分布下训练数据不足，导致模型性能较差的情况。

技术领域

本发明涉及通信技术领域，特别是指一种基于神经网络的调制方式识别及模型训练方法和装置。

背景技术

自动调制识别是在未知调制信息内容的前提下，判断出通信信号的调制方式，并估计出相应的调制参数，是信号解调中的一个关键步骤,对后续的解调工作至关重要。在非协作通信系统中,由于调制方式的多样性和通信环境的复杂性,往往会接收到未知调制方式的通信信号。如何有效地识别信号的调制方式,成为了一个重要的研究课题。在基于特征的自动调制识别算法中,大多是通过人工设计特征再进行特征提取和识别来实现的,所以在信号预处理时需要较大的计算量,并且不具备较好的鲁棒性。近几十年来，由于深度学习在模式识别方面的突出表现，带动了计算机视觉、信息检索、自然语言处理等多个技术领域的发展，同时也促进了信号调制分类的研究。如卷积神经网络在复值无线电信号分类中的可行性研究，与传统的基于专家特征的分类方法，如K近邻、支持向量机、决策树和深神经网络相比，卷积深度网络具有更好的分类效果。并探究卷积网络，残差网络，Inception网络等多种网络结构在自动调制识别方面的应用。

值得注意的是，尽管深度学习模型具有优越的性能，但自动调制识别仍然面临许多挑战。对于深度学习模型，通常假设数据分布是不变的，也即训练数据和测试数据独立同分布，这是不现实的。实际通信过程中，信号接收机根据任务复杂度和设备配置，对不同采样率的无线信号进行容量限制，在成本支出和系统性能之间做出权衡。此外，信号在复杂的通信环境中，也会遭遇到不尽相同的信道损伤，如频率偏移，相位抖动，瑞利衰落等。在这一过程中，数据分布发生变化，已训练好的统计模型无法准确预测调制类型。此外，神经网络需要足够的数据来保证模型的有效性，而数据收集和注释的不便和高昂的成本使我们无法为所有可能的采样率构建大型数据集。

发明内容

有鉴于此，本发明的目的在于提出一种基于神经网络的调制方式识别及模型训练方法和装置，以解决现有的在基于深度学习的自动调制识别场景中遇到的多种数据分布下训练数据不足，导致模型性能较差的情况；在此情况下提出使用对抗性训练来减少数据分布差异，实现迁移学习，利用已训练充分的模型来帮助当前识别模型提升识别性能，得到更准确的识别结果。

基于上述目的，本发明提供一种基于神经网络的调制方式识别模型训练方法，包括：

利用完备数据集中无信道损伤的信号样本以及对应的调制方式充分训练基于神经网络的基础模型，并利用非完备数据集中有信道损伤的信号样本以及对应的调制方式对基于神经网络的目标模型进行预训练；

将基础、目标模型的输出，输入到判别器，构建出对抗性迁移学习模型；

多次迭代训练所述对抗性迁移学习模型中的目标模型，得到最终的调制方式识别模型；其中，在一次迭代训练过程中：

利用所述完备数据集、非完备数据集对所述对抗性迁移学习模型中的判别器进行训练；

利用所述非完备数据集对所述对抗性迁移学习模型中的目标模型进行训练。

其中，所述利用完备数据集中无信道损伤的信号样本以及对应的调制方式充分训练基于神经网络的基础模型，具体包括：

将所述完备数据集中的信号样本输入到所述基础模型，根据所述基础模型的输出与所述信号样本对应的调制方式之间的差异，调整所述基础模型的参数，对所述基础模型进行充分训练。