兵工学报 ›› 2023, Vol. 44 ›› Issue (10): 2954-2963.doi: 10.12382/bgxb.2022.0583
收稿日期:
2022-06-30
上线日期:
2023-10-30
通讯作者:
基金资助:
PANG Yiqiong, XU Hua*(), ZHANG Yue, ZHU Huali, PENG Xiang
Received:
2022-06-30
Online:
2023-10-30
摘要:
针对基于深度学习的调制识别算法在仅有几个带标签信号样本时无法训练的问题,通过模型无关元学习算法提高网络的泛化性能,以使网络对仅有几个训练样本的待测信号实现准确识别。同时对深度神经网络进行预训练以降低元学习阶段网络的训练难度,并根据迁移学习思想,通过引入可学习的缩放偏移参数来迁移预训练所得网络参数,减少学习新类信号所需训练的网络参数量,当面对新类信号的识别任务时通过少量信号样本微调网络就能实现准确识别。实验结果表明,算法在新类信号训练样本仅有5个时最高可实现93.5%的识别准确率。
中图分类号:
庞伊琼, 许华, 张悦, 朱华丽, 彭翔. 基于迁移元学习的调制识别算法[J]. 兵工学报, 2023, 44(10): 2954-2963.
PANG Yiqiong, XU Hua, ZHANG Yue, ZHU Huali, PENG Xiang. Modulation Recognition Algorithm Based on Transfer Meta-Learning[J]. Acta Armamentarii, 2023, 44(10): 2954-2963.
训练集、验证集与测试剂 | 信号调制样式 |
---|---|
训练集 | OOK、8ASK、QPSK、16PSK、16APSK、64APSK、16QAM、64QAM、256QAM、AM-SSB-SC |
验证集 | 128QAM、AM-SSB-WC、FM、OQPSK、GMSK、128APSK、BPSK |
测试集 | 4ASK、8PSK、32PSK、32APSK、32QAM、AM-DSB-SC、AM-DSB-WC |
表1 样本数据集
Table 1 Sample dataset
训练集、验证集与测试剂 | 信号调制样式 |
---|---|
训练集 | OOK、8ASK、QPSK、16PSK、16APSK、64APSK、16QAM、64QAM、256QAM、AM-SSB-SC |
验证集 | 128QAM、AM-SSB-WC、FM、OQPSK、GMSK、128APSK、BPSK |
测试集 | 4ASK、8PSK、32PSK、32APSK、32QAM、AM-DSB-SC、AM-DSB-WC |
方法 | 特征提取 网络 | 5-way | ||
---|---|---|---|---|
1-shot | 5-shot | 20-shot | ||
MAML | ConvNet | 50.44±0.84 | 69.62±0.71 | 79.05±0.86 |
ResNet | 27.69±0.45 | 40.45±0.78 | 41.53±0.57 | |
MAML+迁移预训练 | ConvNet | 47.32±0.42 | 68.21±0.65 | 77.92±0.51 |
ResNet | 82.44±0.74 | 91.26±0.5 | 92.74±0.47 | |
MAML+迁移预训练+[ψ1,ψ2](本文算法) | ConvNet | 48.56±0.34 | 70.38±0.24 | 79.82±0.28 |
ResNet | 85.1±0.72 | 93.5±0.49 | 95.88±0.36 |
表2 对比消融实验结果
Table 2 Comparison of ablation results%
方法 | 特征提取 网络 | 5-way | ||
---|---|---|---|---|
1-shot | 5-shot | 20-shot | ||
MAML | ConvNet | 50.44±0.84 | 69.62±0.71 | 79.05±0.86 |
ResNet | 27.69±0.45 | 40.45±0.78 | 41.53±0.57 | |
MAML+迁移预训练 | ConvNet | 47.32±0.42 | 68.21±0.65 | 77.92±0.51 |
ResNet | 82.44±0.74 | 91.26±0.5 | 92.74±0.47 | |
MAML+迁移预训练+[ψ1,ψ2](本文算法) | ConvNet | 48.56±0.34 | 70.38±0.24 | 79.82±0.28 |
ResNet | 85.1±0.72 | 93.5±0.49 | 95.88±0.36 |
元学习算法 | 特征提取 网络 | 5-way 5-shot | 5-way 1-shot |
---|---|---|---|
PN算法 | ConvNet | 69.16±0.34 | 62.93±0.56 |
ResNet | 84.89±0.28 | 74.34±0.38 | |
RN算法 | ConvNet | 70.73±0.42 | 64.03±0.57 |
ResNet | 85.52±0.75 | 75.53±0.68 | |
MN算法 | ConvNet | 63.34±0.23 | 58.34±0.26 |
ResNet | 75.02±0.42 | 69.93±0.45 | |
SN算法 | ConvNet | 60.34±0.52 | 43.52±0.74 |
ResNet | 67.32±0.56 | 55.43±0.46 | |
Meta-learner LSTM算法 | ConvNet | 62.34±0.62 | 54.37±0.53 |
ResNet | 72.36±0.43 | 63.33±0.52 | |
本文算法 | ConvNet | 68.23±0.54 | 55.32±0.39 |
ResNet | 93.5±0.49 | 85.1±0.72 |
表3 不同元学习算法的性能对比
Table 3 Performance comparison of different meta-learning algorithms%
元学习算法 | 特征提取 网络 | 5-way 5-shot | 5-way 1-shot |
---|---|---|---|
PN算法 | ConvNet | 69.16±0.34 | 62.93±0.56 |
ResNet | 84.89±0.28 | 74.34±0.38 | |
RN算法 | ConvNet | 70.73±0.42 | 64.03±0.57 |
ResNet | 85.52±0.75 | 75.53±0.68 | |
MN算法 | ConvNet | 63.34±0.23 | 58.34±0.26 |
ResNet | 75.02±0.42 | 69.93±0.45 | |
SN算法 | ConvNet | 60.34±0.52 | 43.52±0.74 |
ResNet | 67.32±0.56 | 55.43±0.46 | |
Meta-learner LSTM算法 | ConvNet | 62.34±0.62 | 54.37±0.53 |
ResNet | 72.36±0.43 | 63.33±0.52 | |
本文算法 | ConvNet | 68.23±0.54 | 55.32±0.39 |
ResNet | 93.5±0.49 | 85.1±0.72 |
[1] |
赵雄文, 郭春霞, 李景春. 基于高阶累积量和循环谱的信号调制方式混合识别算法[J]. 电子与信息学报, 2016, 38(3): 674-680.
|
|
|
[2] |
李东瑾, 杨瑞娟, 董睿杰. 基于联合投影字典学习的辐射源调制识别[J]. 兵工学报, 2020, 41(7): 1464-1472.
doi: 10.3969/j.issn.1000-1093.2020.07.026 |
doi: 10.3969/j.issn.1000-1093.2020.07.026 |
|
[3] |
江伟华, 童峰, 王彬, 等. 采用主分量分析的非合作水声通信信号调制识别[J]. 兵工学报, 2016, 37(9): 1670-1676.
doi: 10.3969/j.issn.1000-1093.2016.09.017 |
|
|
[4] |
|
[5] |
doi: 10.1109/JSTSP.2018.2797022 URL |
[6] |
doi: 10.1109/COML.4234 URL |
[7] |
doi: 10.3390/s21051577 URL |
[8] |
王洋, 冯永新, 宋碧雪, 等. DP-DRCnet卷积神经网络信号调制识别算法[J]. 兵工学报, 2023, 44(2): 545-555.
doi: 10.12382/bgxb.2021.0620 |
doi: 10.12382/bgxb.2021.0620 |
|
[9] |
doi: 10.1109/PROC.5 URL |
[10] |
doi: 10.1007/s11276-018-1667-6 |
[11] |
doi: 10.1109/LSP.97 URL |
[12] |
doi: 10.1109/LCOMM.2021.3093485 URL |
[13] |
doi: 10.1007/s10462-020-09852-3 |
[14] |
李凡长, 刘洋, 吴鹏翔, 等. 元学习研究综述[J]. 计算机学报, 2021, 44(2): 422-446.
|
|
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
朱克凡, 王杰贵, 刘有军. 小样本条件下基于数据增强和WACGAN的雷达目标识别算法[J]. 电子学报, 2020, 48(6): 1124-1131.
doi: 10.3969/j.issn.0372-2112.2020.06.012 |
|
[1] | 张凯歌, 卢志刚, 聂天常, 李志伟, 郭宇强. 面向无人装备的智能边缘计算软技术分析[J]. 兵工学报, 2023, 44(9): 2611-2621. |
[2] | 刘畅, 雷红波, 林时尧, 范世鹏, 王江. 基于多模型网络的激光末制导炮弹诸元解算方法[J]. 兵工学报, 2023, 44(9): 2745-2755. |
[3] | 刘懿, 任济寰, 吴祥, 薄煜明. 基于集成迁移学习的新装备装甲车辆分类[J]. 兵工学报, 2023, 44(8): 2319-2328. |
[4] | 王洋, 冯永新, 宋碧雪, 田秉禾. DP-DRCnet卷积神经网络信号调制识别算法[J]. 兵工学报, 2023, 44(2): 545-555. |
[5] | 黄文宽, 钱林方, 尹强, 刘太素. 基于迁移学习的供药装置故障诊断方法[J]. 兵工学报, 2023, 44(10): 2964-2974. |
[6] | 崔令飞, 郭永红, 修全发, 史超, 张硕阳. 基于国产嵌入式智能计算平台的无人机检测方法[J]. 兵工学报, 2022, 43(S1): 146-154. |
[7] | 周颖, 谢振平, 蒋晓军. 基于演化计算的迷彩目标隐蔽策略仿真设计[J]. 兵工学报, 2021, 42(9): 1987-1997. |
[8] | 张宏鹏, 黄长强, 轩永波, 唐上钦. 基于深度神经网络的无人作战飞机自主空战机动决策[J]. 兵工学报, 2020, 41(8): 1613-1622. |
[9] | 李东瑾, 杨瑞娟, 李晓柏, 朱晟坤, 费太勇. 基于栈式降维与字典学习的辐射源调制识别[J]. 兵工学报, 2020, 41(10): 2023-2032. |
[10] | 冷鹏飞, 徐朝阳. 一种深度强化学习的雷达辐射源个体识别方法[J]. 兵工学报, 2018, 39(12): 2420-2426. |
[11] | 江伟华,童峰,王彬,刘世刚. 采用主分量分析的非合作水声通信信号调制识别[J]. 兵工学报, 2016, 37(9): 1670-1676. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||