(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111667102.5 (22)申请日 2021.12.31 (71)申请人 复旦大学 地址 200433 上海市杨 浦区邯郸路2 20号 (72)发明人 修思瑞　周小林　 (74)专利代理 机构 上海正旦专利代理有限公司 31200 代理人 陆飞　陆尤 (51)Int.Cl. G06K 9/00(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 一种面向物联网的双路径机器学习调制模 式识别方法 (57)摘要 本发明属于通信信号调制识别技术领域， 具 体为一种面向物联网的双路径机器学习调制模 式识别方法。 本发明包括： 采集图像数据集； 采用 原型网络小样本元学习的方式进行模 型训练， 应 对来自不同种图像的识别能力； 在识别阶段分为 模糊分类与精 准分类双分类阶段： 在模糊分类阶 段， 识别出非数字调制信号和数字调制信号， 并 为精准分类提供模糊分类结果作为参考。 在精准 分类阶段， 将已区分出的数字调制信号通过还原 星座图来得到精准分类结果； 将 两种分类结果通 过特定的决策方式确定最终数字调制信号结果。 本发明以元学习神经网络为基础的双路径双重 识别的方式， 使得识别信号类型涵盖范围更广， 复杂度低且准确率更高， 比单一方式识别精度提 高约8％。 权利要求书3页 说明书6页 附图3页 CN 114298113 A 2022.04.08 CN 114298113 A 1.一种面向物联网的双路径机器学习调制模式识别方法， 其特 征在于， 包括： 在训练网络之前， 获取图像数据集， 包括通过对调制信号的时频特征进行特征提取获 得时频特征图像， 通过对调制信号进行还原生成星座图来； 在训练网络阶段， 采用原型网络小样本元学习的方式进行模型训练， 应对来自不同种 图像的识别能力； 在调制模式识别阶段， 分为模糊分类与精准分类两个阶段： 在模糊分类阶段， 通过对待 识别信号的时频特征图像的识别能够有效的识别出非数字调制信号和数字调制信号， 并为 精准分类提供模糊分类结果作为参考； 在精准分类阶段， 将已区分出 的数字调制信号通过 还原星座图来得到精准分类结果， 通过决策分类算法， 将两种分类结果通过决策方式确定 最终数字调制信号结果； 具体步骤为： S1.采集图像数据集： 将调制信号分为 时频特征图像生成和还原星座图两个路径， 分别 获取图像并进行 标签处理， 形成图像数据集； S2.将带标签的图像数据集进行图像预处 理， 得到预处 理图像数据集； S3.将预处理数据集通过原型网络小样本元学习的方式进行训练并测试获取最优模 型， 搭建元 学习神经网络； S4.对待识别信号， 首先进行模糊分类， 对信号归一化处理生成时频特征图像通过已训 练的元学习神经网络输出模糊分类结果， 将待识别信号中的非数字调制 信号剔除得到模糊 分类数字调制 信号并输出非数字调制 信号结果， 并将数字调制信号的模糊分类结果进 行保 存； S5.对模糊 分类数字调制信号进行精准分类， 还原星座图及数据增强生成预处理图像 通过已训练的元 学习神经网络， 得到精准分类结果； S6.利用决策分类算法对两种分类结果进行决策， 得 出数字调制信号类型。 2.根据权利要求1所述的面向物联网的双路径机器学习调制模式识别方法， 其特征在 于， 步骤S1中所述图像数据集采集过程中， 将调制 信号分为互斥的两组， 分别通过所述两种 路径获取图像， 在获取图像后对图像进行调制 类型标签注释： 对通过时频特征获取 的时频 特征图像仅 标注AM、 FM、 PSK、 ASK、 FSK、 QAM模糊分类标签， 对星座图的标注除标注调制类型 外还标注调制阶数等精确分类标签： {2～2n}ASK,(n＝2,3,4)、 {2 ～2n}PSK,(n＝2,3,4)、 {2 ～2n}QAM,(n＝2,3,…6)}。 3.根据权利要求2所述的面向物联网的双路径机器学习调制模式识别方法， 其特征在 于， 步骤S2中所述预处 理的具体流 程为： S21.对图像数据集进行3 0*30像素的大小均一 化处理； S22.对其中星座图数据集进行15 °步幅旋转， 得到12张带有步幅度数 标签的图像； S23.对S21和S2 2处理后的图像统一进行 灰度化处 理， 得到预处 理图像。 4.根据权利要求3所述的面向物联网的双路径机器学习调制模式识别方法， 其特征在 于， 步骤S 3中所述元学习网络训练过程中， 采用内外双循环的算法， 旨在训练模 型本身的学 习能力， 即学习相似任务的分布来找到最优模型参数， 在每个任务开始时， 都从最优权重开 始， 且每个阶段逐步提高任务量， 模拟人类学习能力曲线进 行学习， 以更少的步骤来达到收 敛以及获得 更好的学习效果。权　利　要　求　书 1/3 页 2 CN 114298113 A 25.根据权利要求4所述的面向物联网的双路径机器学习调制模式识别方法， 其特征在 于， 在构建的原型网络小样本元 学习网络中， 首 先得到每个类别原型Ck： 其中， |Sk|为支撑集Strain中属于类别k的所有样本个 数， fθ(xi)即为训练样本xi通过特 征提取后得到的特征向量； 通过比较查询集中每个样本与类别原型 的欧式距离， 通过归一 化指数函数将欧式距离d(.)转换为 概率， 进而得出测试样本 对于类别k的概 率分布： 最后， 在训练过程时， 为了模拟样本类别预测的概率分布与其真实概率分布的差异， 使 用损失函数： 6.根据权利要求5所述的面向物联网的双路径机器学习调制模式识别方法， 其特征在 于， 在构建的元学习网络中， 以原型网络为基础， 旨在找到模型M的参数θ 以进行快速适应， 通过训练模型参数θ来获得快速适配任务的特定模型， 将该模型称为快速模型M； 训练过程 中， 以任务作为训练最小步数， 在分配训练任务前， 随机生成初始 化模型参数θ， 接着使用从 训练数据集Dtrain中采样的先验任务p(T)， 以找到元梯度下降方向， 来更新参数θ， 它应用与 模型M相同的前向传播并使用一组由模型M共享的参数， 以元梯度的方向为指导， 对模型参 数θ进行优化， 直至收敛 取得最优模型进行测试。 7.根据权利要求6所述的面向物联网的双路径机器学习调制模式识别方法， 其特征在 于， 阶段化元学习神经网络算法包括给定一个带有随机参数θ＝{W,B}初始化的分类模 型M, 考虑一个由M表示的快速模型， 其参数 由模型M共享， 在固定用于训练或验证的每个批次为 32大小阶段批次中， 首先使用数据手动更新模型参数θ， 支持集Dtrain从第m个先前任务p(T)， m中抽取， 使得参数θ 快速更新： 其中， γ表示学习率， 是梯度算子， 而Lp(T)(fθ)是快速模型M的损失函数； 快速参数θ与快速模型共享， 校验数据Qtrain在当前任务片p(T)通过快速模型M向前传递 θ′， 从而得到元阶段的累积损失； 通过反向传播更新模型M的参数： 8.根据权利要求7所述的面向物联网的双路径机器学习调制模式识别方法， 其特征在 于， 步骤S4中所述对待识别 信号进行模糊分类， 具体流 程为： S41.将待识别信号进行归一化处理， 通过最小最大标准化来将调制信号幅度压缩在 [0,1]之间， 减小信道衰落对信号幅度的影响：权　利　要　求　书 2/3 页 3 CN 114298113 A 3