基于网络结构特征归纳的半监督调制类型识别方法、装置及介质

1.本发明实施例涉及无线通信技术领域，尤其涉及一种基于网络结构特征归纳的半监督调制类型识别方法、装置及介质。


背景技术：

2.随着无线电技术及其应用的不断发展，辐射台站数量大规模增长，无线电用频设备量呈指数级上升态势，电磁频谱空间日益复杂。电磁空间作为承载移动通信、卫星通信、雷达探测、无源侦察、电子对抗等电磁活动的物理载体，所产生的电磁空间数据量将十分巨大，但传统的电磁样本数据处理方式主要以对电磁环境和目标电磁参数等物理量的测量为主。这些测量方式无法分析与处理如此庞大又复杂的数据，仅仅在时域或频域给出可用“空穴”作为结果，不能有效提供频谱资源管控与利用所需的时分复用、频分复用、空分复用以及码分复用等特性，势必难以支撑全面、准确、高效的电磁频谱空间认知，更难以满足电磁频谱空间管控与利用的需求。因此，实现对电磁频谱空间的深度感知和电磁目标行为特性的准确认知，才是完成电磁频谱空间综合利用和精准控制的基础。
3.在这样的发展背景下，如何用更加智能、深度、便捷的方法来分析处理电磁频谱空间大数据成为一项亟待解决的挑战。深度学习是一种获取知识与技能以达到提升自我能力的行为方式，是新一代人工智能技术的卓越代表。具体而言，深度学习通过创建一个计算系统，使其不断地从大量的知识中学习经验，并自行改善计算性能以更好地执行下次任务。显而易见，电磁频谱空间大数据便可以成为深度学习“营养丰富的食粮”。同时，面对现代化信息战争的新特点，深度学习也可提供新的电磁频谱空间利用解决方案，例如，在快速变化的电磁态势中，历史数据训练的深度学习模型可以通过对比，迅速识别异常情况并及时做出预警，有助于决策层提高战场反应能力。最后，深度学习是传统的浅层学习深度化的结果，在电磁数据样本充足的情况下，将深度学习与电磁空间数据处理相结合，将获得更加准确、更深层次以及更多内涵的处理结果。
4.由此可见，深度学习可以解决常规电磁样本数据处理方式难以有效认知电磁空间的问题。然而，利用现有电磁样本数据进行电磁空间智能数据处理和深度认知时，由于电磁频谱空间的特殊性和深度神经网络的局限性，正确标注的电磁数据样本不足与现有小样本学习方法匮乏的矛盾便成为了一个突出的困境：在进行调制信号类型识别时，不同的调制信号在调制方式、调制阶数等方面各不相同，在不同噪声背景下、不同衰落信道下也会表现出不同的信号波形，如果依靠人力将少部分信号、噪声以及信道的组合标注出来或许仍旧可行，但如果将大量调制信号都标识出来，则往往会耗费极大的人力物力，同时十分耗时；此外，深度学习是典型的大数据智能，它的可应用性是以存在大量训练样本为基础的，但电磁空间的标记样本数据总是小样本形态。
5.现有的小样本环境下的调制类型识别技术在应对如今调制信号种类瞬息万变的电磁频谱空间时，存在必须根据当前环境的数据类别重新构建模型，无法从过往环境的识
别模型中获取有用信息的缺点。比如当前出现的一种半监督生成对抗网络得方案，该方案通过修改损失函数使生成对抗网络能够充分利用小样本环境下的大量无标记样本，但在面对当前电磁频谱空间时，由于环境内会出现与过往监测到的信号完全不同的调制类型，使得分类任务本身发生了变化，因此需要设计另外的类别标签，导致该方案只能选择放弃已有的、针对原环境的调制类型分类器，并借助当前环境的各类有标记与无标记数据构建全新的网络模型。这种设计思路会造成识别模型的时效性不足，无法尽快适应监测环境的变化，同时频率较高的重复训练会产生较大的资源损耗。


技术实现要素：

6.有鉴于此，本发明实施例期望提供一种基于网络结构特征归纳的半监督调制类型识别方法、装置及介质；能够针对现有半监督学习调制类型识别网络在小样本电磁频谱空间领域应用中的不足，发挥深度学习具备的由高阶调制信号向低阶调制信号泛化的能力，有效克服模型因监测环境变化引起的重复训练造成的资源浪费和实时性不足的问题，并在较广的信噪比范围内以较高的正确识别概率完成半监督学习调制类型识别任务。
7.本发明实施例的技术方案是这样实现的：
8.第一方面，本发明实施例提供了一种基于网络结构特征归纳的半监督调制类型识别方法，所述方法包括：
9.将无标记样本集与小样本的有标记样本集输入至特征提取网络，获得所有样本各自对应的特征向量；
10.基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵；
11.根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵；
12.构造并初始化迭代矩阵；
13.利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛；
14.根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测。
15.第二方面，本发明实施例提供了一种基于网络结构特征归纳的半监督调制类型识别装置，所述装置包括：特征提取网络、第一获取部分、第二获取部分、构造部分、迭代部分和预测部分；其中，
16.所述特征提取网络，经配置为将无标记样本集与小样本的有标记样本集输入至特征提取网络，获得所有样本各自对应的特征向量；
17.所述第一获取部分，经配置为基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵；
18.所述第二获取部分，经配置为根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵；
19.所述构造部分，经配置为构造并初始化迭代矩阵；
20.所述迭代部分，经配置为利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛；
21.所述预测部分，经配置为根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测。
22.第三方面，本发明实施例提供了一种计算设备，该计算设备包括：通信接口，存储器和处理器；各个组件通过总线系统耦合在一起；其中，
23.所述通信接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
24.所述存储器，用于存储能够在所述处理器上运行的计算机程序；
25.所述处理器，用于在运行所述计算机程序时，执行第一方面所述基于网络结构特征归纳的半监督调制类型识别方法步骤。
26.第四方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于网络结构特征归纳的半监督调制类型识别程序，所述基于网络结构特征归纳的半监督调制类型识别程序被至少一个处理器执行时实现第一方面所述基于网络结构特征归纳的半监督调制类型识别方法步骤。
27.本发明实施例提供了一种基于网络结构特征归纳的半监督调制类型识别方法、装置及介质；借助深度学习在调制类型识别领域具备的由高阶向低阶泛化的能力，以高阶调制信号识别模型的卷积层结构作为高阶与低阶调制信号混合样本集的特征提取网络，并采用无需训练环节的矩阵迭代计算获得无标记样本的预测结果，最大程度地保留了已有识别网络在过往监测环境中学得的信息，使模型避免了为适应复杂多变的电磁频谱环境而进行的耗费时间与资源的反复训练，克服了模型因反复训练导致的资源浪费和实时性不足的问题。此外，基于半监督学习，使用各类型数量相同的小样本调制信号数据集完成识别任务，改善了基于监督学习直接使用当前全部有标记样本集时，因高阶调制信号有标记样本量远多于低阶信号导致的类别不平衡问题，并保证较高的正确检测概率，规避了类别不平衡问题对识别性能的影响。
附图说明
28.图1为本发明实施例提供的关于qam调制的调制阶数为16、32、64的三种调制信号星座图；
29.图2为本发明实施例提供的一种基于网络结构特征归纳的半监督调制类型识别方法流程示意图；
30.图3为本发明实施例提供的从卷积识别网络形成特征提取网络的示意图；
31.图4为本发明实施例提供的完成训练后的高阶调制类型识别网络在6类高阶调制类型的测试集样本上随信噪比变化的正确分类概率示意图；
32.图5(a)为本发明实施例提供的本发明实施例所提出的技术方案对6类高阶信号的正确分类概率示意图；
33.图5(b)为本发明实施例提供的常规方案1对6类高阶信号的正确分类概率示意图；
34.图5(c)为本发明实施例提供的常规方案2对6类高阶信号的正确分类概率示意图；
35.图5(d)为本发明实施例提供的常规方案3对6类高阶信号的正确分类概率示意图；
36.图6为本发明实施例提供的在各信噪比取值下的平均正确分类概率对比示意图；
37.图7(a)为本发明实施例提供的本发明实施例所提出的技术方案对9类调制信号分
类的混淆矩阵示意图；
38.图7(b)为本发明实施例提供的常规方案1对9类调制信号分类的混淆矩阵示意图；
39.图7(c)为本发明实施例提供的常规方案2对9类调制信号分类的混淆矩阵示意图；
40.图7(d)为本发明实施例提供的常规方案3对9类调制信号分类的混淆矩阵示意图；
41.图8为本发明实施例提供的一种基于网络结构特征归纳的半监督调制类型识别装置组成示意图；
42.图9为本发明实施例提供的另一种基于网络结构特征归纳的半监督调制类型识别装置组成示意图；
43.图10为本发明实施例提供的一种计算设备的具体硬件结构示意图。
具体实施方式
44.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
45.以目前电磁频谱空间中最常用调制类型之一的qam调制为例，分析如图1所示的关于qam调制的调制阶数为16、32、64的三种调制信号星座图可以获知：星座点是数字调制信号的关键特征，而观察三种调制信号的星座点可以判断出，在同一类型的调制信号中，高阶与低阶信号的星座点是高度重合的，且低阶信号的星座点集合是高阶信号星座点集合的子集。因此，当深度学习模型具备了对高阶调制类型的识别能力时，便可以解析出高阶调制信号的特征组成，也就意味着同类型低阶调制信号的特征也能够在该模型中得以解析。由于卷积神经网络中对输入数据的剖析任务主要由卷积层负责，因此便可以使用高阶调制类型分类网络的卷积层结构作为高阶与低阶调制信号的特征提取网络。
46.通常来说，调制类型识别任务可以被建模为如下所示的多假设决策问题：
[0047][0048]
其中，x(t)表示接收信号；c(t)表示无线传输信道的脉冲响应；s
n
(t),n＝1,2,...,m表示发送信号的复基带包络，是基于第m个发射调制信号类型生成的；n(t)表示加性高斯白噪声信道；θ0(t)和f0t分别表示相位偏移和载波频率偏移；h
m
表示接收信号属于第m类调制类型。
[0049]
基于上述多假设决策问题，调制类型分类器的基本需求是能够根据接收信号x(t)来确定发送信号的调制类型，其分类性能可以通过如下所示的正确分类概率p
d,m
和混淆分类概率p
f,m
来度量：
[0050]
p
d,m
＝pr{decision＝h
m
|h
m
}
[0051]
p
f,m
＝1
‑
p
d,m
＝pr{decision≠h
m
|h
m
}
[0052]
其中，p
d,m
表示当发射信号为s
m
(t)时将接收信号判断为第m种调制类型的概率，p
f,m
表示当发射信号为s
m
(t)时将接收信号判断为除第m种之外的调制类型的概率。
[0053]
基于以上阐述，本发明实施例的应用场景可以被描述为：在某区域(或可被称之为监测环境)的电磁频谱空间中存在某几类阶数较高的调制信号，经过长期的监测已对其累积了足量的标记数据，并通过训练得到了完备的卷积识别网络，此时由于监测环境中各方电磁态势的变化，该电磁频谱空间中出现了一些与原有信号类型相同、但阶数较低的调制信号；目前尽管可以对这些信号捕获大量的无标记数据，但短时间内无法完成全部的标记工作，因此就需要识别模型继续保持对监测环境中所有调制信号类型的识别能力。基于此，参见图2，其示出了本发明实施例提供的一种基于网络结构特征归纳的半监督调制类型识别方法，所述方法可以包括：
[0054]
s201：将无标记样本集与小样本的有标记样本集输入至特征提取网络，获得所有样本各自对应的特征向量；
[0055]
s202：基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵；
[0056]
s203：根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵；
[0057]
s204：构造并初始化迭代矩阵；
[0058]
s205：利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛；
[0059]
s206：根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测。
[0060]
通过图2所示的技术方案，借助深度学习在调制类型识别领域具备的由高阶向低阶泛化的能力，以高阶调制信号识别模型的卷积层结构作为高阶与低阶调制信号混合样本集的特征提取网络，并采用无需训练环节的矩阵迭代计算获得无标记样本的预测结果，最大程度地保留了已有识别网络在过往监测环境中学得的信息，使模型避免了为适应复杂多变的电磁频谱环境而进行的耗费时间与资源的反复训练，克服了模型因反复训练导致的资源浪费和实时性不足的问题。此外，基于半监督学习，使用各类型数量相同的小样本调制信号数据集完成识别任务，改善了基于监督学习直接使用当前全部有标记样本集时，因高阶调制信号有标记样本量远多于低阶信号导致的类别不平衡问题，并保证较高的正确检测概率，规避了类别不平衡问题对识别性能的影响。
[0061]
对于图2所示的技术方案，在一些示例中，需要完成针对无标记样本集与小样本的有标记样本集的构建工作，基于此，所述方法还包括：
[0062]
针对每种低阶调制信号类型，在当前电磁频谱空间所采集的调制信号样本集d
u
中获取n
label
个正确标注样本；
[0063]
将所述当前电磁频谱空间所采集的调制信号样本集d
u
中除去所述正确标注样本之外的剩余样本组成所述无标记样本集d’u
；
[0064]
在基于历史监测获取的高阶调制信号类型的有标记样本集d
l
中，针对每种高阶调制信号类型随机选取n
label
个样本，并与所述正确标注样本组成所述小样本的有标记样本集d’l
。
[0065]
对于上述示例，本发明实施例所采用的特征提取网络并非是卷积识别网络的整体，而是以卷积识别网络的部分结构作为特征提取网络，基于此，所述方法还包括：
[0066]
在由所述基于历史监测获取的高阶调制信号类型的有标记样本集d
l
训练所得到的高阶调制信号类型卷积识别网络中，如图3所示，将处于卷积层结构后的第一全连接层之后的部分截断并除去处于所述卷积识别网络后方网络层，形成所述特征提取网络。
[0067]
对于图2所示的技术方案，在一些示例中，所述基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵，包括：
[0068]
设定所述无标记样本集d’u
的样本数为u，所述小样本的有标记样本集d’l
的样本数为l，基于所述无标记样本集d’u
与所述小样本的有标记样本集d’l
的并集所形成的总样本集d’u
∪d’l
中的样本所对应的特征向量为x
n
,n＝1,2,...,l+u；
[0069]
基于高斯函数定义利用所述总样本集中的样本所对应的特征向量以及下式获取连接矩阵w：
[0070][0071]
其中，σ是预先设置的构图参数，且取值范围为σ＞0。
[0072]
基于上述示例，所述根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵，包括：
[0073]
将所述连接矩阵w的第i行元素之和作为第i个对角元素d
i
，形成所述对角矩阵d＝diag(d1，d2，
…
，d
i
，
…
，d
l+u
)，其中，
[0074]
根据所述连接矩阵w以及所述对角矩阵d，基于下式获取所述传播矩阵s：
[0075]
s＝d
‑
1/2
wd
‑
1/2
。
[0076]
基于上述示例，所述构造并初始化迭代矩阵，包括：
[0077]
设定高阶调制信号类型与低阶调制信号类型的总数目为m，所述总样本集中的样本所对应的特征向量x
n
的实际标记表示为y
n
,n＝1,2,...,m；
[0078]
构造尺寸为(l+u)
×
m的非负矩阵为所述迭代矩阵；其中，t表示转置运算符，所述迭代矩阵中的每一个行向量表示所述总样本集d’u
∪d’l
中每个样本所对应的特征向量属于任意类型的所有概率值，在所述迭代矩阵中的第i个行向量f
i
＝((f)
i1
,(f)
i2
,...,(f)
im
)中，元素(f)
ij
表示样本所对应的特征向量x
i
被实际标记为y
j
,j＝1,2,...,m的概率值；
[0079]
设置当前迭代次数t＝0，并将第t次迭代后的迭代矩阵f表示为f(t)；
[0080]
当t＝0时的迭代矩阵f(0)作为初始化迭代矩阵；其中，前l个行向量表示l个有标记样本的所属调制信号类型的概率；其余行向量表示u个无标记样本的所属调制信号类型概率，且在初始化时设置为0，即：
[0081][0082]
其中，∧表示“且”关系。
[0083]
对于图2所示的技术方案，在一些示例中，所述利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛，包括：
[0084]
根据所述传播矩阵s以及初始化的迭代矩阵f(0)，通过下式进行迭代直至收敛，并获取所述收敛的迭代矩阵f
*
：
[0085]
f(t+1)＝αsf(t)+(1
‑
α)f(0)
[0086]
其中，α表示预先设置的折中参数，且取值范围为0＜α＜1。
[0087]
具体来说，上述示例中所阐述的迭代计算可以总结为具有如下目标函数的优化问题：
[0088][0089]
其中，上式所示的目标函数中的第二项是以μ为正则化参数的正则化项，其取值范围为μ＞0；上述优化问题将在μ＝(1
‑
α)/α时取得全局最优解，因此可以得到收敛解f
*
的闭式表达式为
[0090]
针对上述示例，所述根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测，包括：
[0091]
根据所述收敛的迭代矩阵f
*
的第i个行向量f
i*
,i＝l+1,l+2,...,l+u，依照下式计算无标记样本对应的特征向量x
i
的调制类型标记预测结果y
i
：
[0092]
y
i
＝argmax
1≤j≤m
(f
*
)
ij
。
[0093]
其中，argmax表示在1≤j≤m范围内使(f
*
)
ij
最大。
[0094]
针对前述针对图2所示的技术方案及其示例的阐述，本发明实施例通过具体的仿真环境对上述技术方案的技术性能及效果进行进一步的阐述。具体的仿真条件和参数如下：
[0095]
本发明实施例以三种较为典型的调制信号类型作为实验对象：psk调制、fsk调制、qam调制。每个调制信号类型中分别设置两种调制阶数较高的信号，比如对于psk调制，可以设置qpsk和8psk；对于fsk调制，可以设置4fsk和8fsk；对于qam调制，可以设置32qam、64qam；此外，每个调制信号类型还可以对应设置一种调制阶数较低的信号，分别如bpsk、2fsk和16qam。为了确保所发送的符号具有相等的概率，原始比特流将以随机方式产生。考虑到实际应用场景，在调制信号的仿真生成过程中会考虑实际通信信道的非理想因素，包括加性高斯白噪声、载波频率偏移、相位偏移以及脉冲成形滤波。
[0096]
为保证技术方案的普适性，仿真对涉及到的参数给出了如下设置范围：相位偏移在[0,2π]范围内随机选择；载频偏移在[
‑
0.2,0.2]范围内随机选择(归一化为采样频率)；根升余弦滤波器的滚降系数在[0.1,0.5]范围内随机选择；将信噪比定义为信号功率与噪声功率之比，并且在
‑
18db～20db范围内间隔2db进行选取，生成共计20种信噪比的调制信号。由于多数情况下iq数据可以完全表征信号内容，所以在仿真过程中，通过iq采样获得iq数据并将其存储于信号样本中；其中，每个信号样本包含64个符号，过采样率设置为8，因此每个样本的采样点数为512。对于每种类型的调制信号，将预先在每种信噪比下分别生成1200个样本作为训练集、500个样本作为验证集、500个样本作为测试集。相应于前述技术方
案，也就是将小样本的有标记样本集d’l
中每种信噪比下各类型信号的数量n
label
设置为400，即训练集样本数量的1/3。
[0097]
之后参照图3的卷积识别网络结构，使用上述6类高阶调制信号的生成样本集完成高阶调制类型识别网络的训练，并获取特征提取网络。该卷积识别网络在训练阶段选用adam优化器，迭代次数设置为30，初始学习率设置为0.003，且5轮迭代过后降低为之前的1/2，每次迭代的批处理大小为128；激活函数方面，卷积网络最后一层全连接层的激活函数设置为softmax，其余所有网络层均设置为relu；同时，在第一个卷积层中设置valid零填充，其余的卷积层中设置same零填充，并在卷积与池化之间设置bn层，以完善卷积运算；最后，将损失函数设置为交叉熵。如图4所示，其示出了完成训练后的高阶调制类型识别网络在6类高阶调制类型的测试集样本上随信噪比变化的正确分类概率。
[0098]
基于上述仿真条件，通过前述技术方案及其示例进行仿真，具体仿真内容以及结果如下：
[0099]
首先，在信噪比变化范围
‑
18db～20db下，将本发明实施例所提出的技术方案与当前常规的三种调制类型识别方案对9类调制信号的正确检测概率进行比较。需要说明的是，当前常规的三种调制类型识别方案分别为完整标记条件下基于监督学习训练的卷积神经网络方案(后称为常规方案1)、直接使用当前非完整标记样本集进行有监督训练的卷积神经网络方案(后称为常规方案2)以及对当前非完整标记样本集进行类别平衡处理后训练的卷积神经网络方案(后称为常规方案3)。比较结果如图5所示，图5(a)所示本发明实施例所提出的技术方案对6类高阶信号的正确分类概率与图5(b)所示常规方案1对6类高阶信号的正确分类概率相比不相上下，仅在3类低阶信号上存在一定劣势。但总体而言，本发明实施例所提出的技术方案基于标记非完备的样本条件实现了在不同信噪比下对9种调制类型信号良好的识别性能；同时，如图5(c)所示常规方案2受类别不平衡问题影响严重，在3类训练样本标记缺失的低阶信号上表现出了较差的识别性能；最后，如图5(d)所示常规方案3对3类低阶信号的识别性能均有不同程度的提升，但其相应的正确分类概率依然未达到本发明实施例所提出的技术方案的水平，其原因是因为为现阶段的类别平衡方法虽然适用于医学影像识别、手写数字图像分类等任务场景，但并不适应电磁频谱空间中调制信号的特征数据。
[0100]
接着，仿真过程中还将本发明实施例所提出的技术方案与当前常规的三种调制类型识别方案在各信噪比取值下的平均正确分类概率进行比较，对比结果如图6所示。需要说明的是，图6中各性能曲线上的每个点是通过相应方案在该信噪比下对9种调制信号类型的识别精度取平均值而获得的。从图6中可以看出，本发明实施例所提出的技术方案的平均识别性能在整个信噪比范围内均优于在部分样本标记缺失环境中的常规方案2和常规方案3，无论其是否使用类别平衡方法；在信噪比大于
‑
4db后，本发明实施例所提出的技术方案的平均识别性能的优势开始变得明显，尤其当信噪比超过4db后，本发明实施例所提出的技术方案在平均正确分类概率方面对常规方案2和常规方案3的领先将超过15％；且本发明的平均正确分类概率相比于常规方案1仅存在十分微小的性能落后，同时也证明了本发明实施例所提出的技术方案在样本标记非完备的环境下是一种优秀的半监督调制类型识别架构。
[0101]
最后，在固定信噪比2db条件下，将本发明实施例所提出的技术方案与当前常规的三种调制类型识别方案对9类调制信号分类的混淆矩阵进行比较，比较结果如图7所示，通
过对图7(a)和图7(b)的对比中可以看出，图7(a)所示的本发明实施例所提出的技术方案在各调制信号类型上相比于图7(b)所示的常规方案1仅发生程度十分微弱的虚检；但图7(c)所示的常规方案2在6种高阶调制类型上发生了十分严重的虚检情况，这是由于在类别不平衡问题的场景下，模型会更倾向于将待测信号样本判决为在训练集中标记数量占优的高阶类型，并且通过比较图5(b)与图5(c)、图7(b)与图7(c)可以发现，虽然虚检的发生不会影响模型对该调制类型的识别性能，甚至相应的部分正确分类概率会有所提升，但这是建立在将属于其他类型的大量信号样本错判为该类型的基础之上，而并非模型本质分类能力的提升。图5(d)所示的常规方案3虽然在已产生区分同类调制内三种不同阶数信号的趋势，但由于其在低阶调制类型上的识别性能依旧有限，部分高阶调制类型的虚检情况仍相当严重，因此也并未在真正意义上改善卷积神经网络对低阶调制信号的非平衡分类问题。
[0102]
综合上述仿真结果分析，本发明实施例所提出的一种基于网络结构特征归纳的半监督调制类型识别方法，相对于常规的小样本环境下的调制类型识别技术可在当前电磁频谱空间中调制信号种类瞬息万变的场景下获得更稳定可靠的识别性能，具有一定的性能优势。结合理论分析和仿真表明，本发明实施例所提出的方案充分利用深度学习在调制类型识别领域具备的由高阶向低阶泛化的能力，能够克服模型因反复训练造成的资源浪费和实时性不足的问题，并且可以有效改善类别不平衡问题对识别性能的影响。因此，本发明实施例所提出的可广泛应用于复杂电磁频谱环境下的半监督学习调制类型识别任务。
[0103]
基于前述技术方案相同的发明构思，参见图8，其示出了本发明实施例提供的一种基于网络结构特征归纳的半监督调制类型识别装置80，所述装置80包括：特征提取网络801、第一获取部分802、第二获取部分803、构造部分804、迭代部分805和预测部分806；其中，
[0104]
所述特征提取网络801，经配置为将无标记样本集与小样本的有标记样本集输入至特征提取网络801，获得所有样本各自对应的特征向量；
[0105]
所述第一获取部分802，经配置为基于高斯函数定义通过所述无标记样本集与所述有标记样本集中各样本对应的特征向量获取连接矩阵；
[0106]
所述第二获取部分803，经配置为根据所述连接矩阵以及由所述连接矩阵的各行元素之和所组成的对角矩阵获取传播矩阵；
[0107]
所述构造部分804，经配置为构造并初始化迭代矩阵；
[0108]
所述迭代部分805，经配置为利用所述传播矩阵以及初始化的迭代矩阵对所述迭代矩阵进行迭代至收敛；
[0109]
所述预测部分806，经配置为根据收敛的迭代矩阵中的行向量对所述无标记样本集中样本的调制类型标记进行预测。
[0110]
在一些示例中，如图9所示，所述装置80还包括样本集建立部分807，经配置为：
[0111]
针对每种低阶调制信号类型，在当前电磁频谱空间所采集的调制信号样本集d
u
中获取n
label
个正确标注样本；
[0112]
将所述当前电磁频谱空间所采集的调制信号样本集d
u
中除去所述正确标注样本之外的剩余样本组成所述无标记样本集d’u
；
[0113]
在基于历史监测获取的高阶调制信号类型的有标记样本集d
l
中，针对每种高阶调制信号类型随机选取n
label
个样本，并与所述正确标注样本组成所述小样本的有标记样本集
d’l
。
[0114]
在一些示例中，如图9所示，所述装置80还包括特征提取网络构建部分808，经配置为：
[0115]
在由所述基于历史监测获取的高阶调制信号类型的有标记样本集d
l
训练所得到的高阶调制信号类型卷积识别网络中，将处于卷积层结构后的第一全连接层之后的部分截断并除去处于所述卷积识别网络后方网络层，形成所述特征提取网络801。
[0116]
在一些示例中，所述第一获取部分802，经配置为：
[0117]
设定所述无标记样本集d’u
的样本数为u，所述小样本的有标记样本集d’l
的样本数为l，基于所述无标记样本集d’u
与所述小样本的有标记样本集d’l
的并集所形成的总样本集d’u
∪d’l
中的样本所对应的特征向量为x
n
,n＝1,2,...,l+u；
[0118]
基于高斯函数定义利用所述总样本集中的样本所对应的特征向量以及下式获取连接矩阵w：
[0119][0120]
其中，σ是预先设置的构图参数，且取值范围为σ＞0。
[0121]
在一些示例中，所述第二获取部分803，经配置为：
[0122]
将所述连接矩阵w的第i行元素之和作为第i个对角元素d
i
，形成所述对角矩阵d＝diag(d1，d2，
…
，d
i
，
…
，d
l+u
)，其中，
[0123]
根据所述连接矩阵w以及所述对角矩阵d，基于下式获取所述传播矩阵s：
[0124]
s＝d
‑
1/2
wd
‑
1/2
。
[0125]
在一些示例中，所述构造部分804，经配置为：
[0126]
设定高阶调制信号类型与低阶调制信号类型的总数目为m，所述总样本集中的样本所对应的特征向量x
n
的实际标记表示为y
n
,n＝1,2,...,m；
[0127]
构造尺寸为(l+u)
×
m的非负矩阵为所述迭代矩阵；其中，t表示转置运算符，所述迭代矩阵中的每一个行向量表示所述总样本集d’u
∪d’l
中每个样本所对应的特征向量属于任意类型的所有概率值，在所述迭代矩阵中的第i个行向量f
i
＝((f)
i1
,(f)
i2
,...,(f)
im
)中，元素(f)
ij
表示样本所对应的特征向量x
i
被实际标记为y
j
,j＝1,2,...,m的概率值；
[0128]
设置当前迭代次数t＝0，并将第t次迭代后的迭代矩阵f表示为f(t)；
[0129]
当t＝0时的迭代矩阵f(0)作为初始化迭代矩阵；其中，前l个行向量表示l个有标记样本的所属调制信号类型的概率；其余行向量表示u个无标记样本的所属调制信号类型概率，且在初始化时设置为0，即：
[0130]
[0131]
其中，∧表示“且”关系。
[0132]
在一些示例中，所述迭代部分805，经配置为：
[0133]
根据所述传播矩阵s以及初始化的迭代矩阵f(0)，通过下式进行迭代直至收敛，并获取所述收敛的迭代矩阵f
*
：
[0134]
f(t+1)＝αsf(t)+(1
‑
α)f(0)
[0135]
其中，α表示预先设置的折中参数，且取值范围为0＜α＜1。
[0136]
在一些示例中，所述预测部分806，经配置为：
[0137]
根据所述收敛的迭代矩阵f
*
的第i个行向量f
i*
,i＝l+1,l+2,...,l+u，依照下式计算无标记样本对应的特征向量x
i
的调制类型标记预测结果y
i
：
[0138]
y
i
＝argmax
1≤j≤m
(f
*
)
ij
。
[0139]
其中，argmax表示在1≤j≤m范围内使(f
*
)
ij
最大。
[0140]
可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。
[0141]
另外，在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0142]
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0143]
因此，本实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于网络结构特征归纳的半监督调制类型识别程序，所述基于网络结构特征归纳的半监督调制类型识别程序被至少一个处理器执行时实现上述技术方案中所述基于网络结构特征归纳的半监督调制类型识别方法步骤。
[0144]
根据上述基于网络结构特征归纳的半监督调制类型识别装置80以及计算机存储介质，参见图10，其示出了本发明实施例提供的一种能够实施上述基于网络结构特征归纳的半监督调制类型识别装置80的计算设备100的具体硬件结构，该计算设备100可以为无线装置、移动或蜂窝电话(包含所谓的智能电话)、个人数字助理(pda)、视频游戏控制台(包含视频显示器、移动视频游戏装置、移动视频会议单元)、膝上型计算机、桌上型计算机、电视机顶盒、平板计算装置、电子书阅读器、固定或移动媒体播放器，等。计算设备100包括：通信接口1001，存储器1002和处理器1003；各个组件通过总线系统1004耦合在一起。可理解，总线系统1004用于实现这些组件之间的连接通信。总线系统1004除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图10中将各种总线都标为总线系统1004。其中，
[0145]
所述通信接口1001，用于在与其他外部网元之间进行收发信息过程中，信号的接
收和发送；
[0146]
所述存储器1002，用于存储能够在所述处理器1003上运行的计算机程序；
[0147]
所述处理器1003，用于在运行所述计算机程序时，执行前述技术方案中所述基于网络结构特征归纳的半监督调制类型识别方法步骤，这里不再进行赘述。
[0148]
可以理解，本发明实施例中的存储器1002可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read
‑
only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本文描述的系统和方法的存储器1002旨在包括但不限于这些和任意其它适合类型的存储器。
[0149]
而处理器1003可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1003中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1003可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1002，处理器1003读取存储器1002中的信息，结合其硬件完成上述方法的步骤。
[0150]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dsp device，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field
‑
programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0151]
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0152]
可以理解地，上述基于网络结构特征归纳的半监督调制类型识别装置80以及计算设备100的示例性技术方案，与前述基于网络结构特征归纳的半监督调制类型识别方法的
技术方案属于同一构思，因此，上述对于基于网络结构特征归纳的半监督调制类型识别装置80以及计算设备100的技术方案未详细描述的细节内容，均可以参见前述基于网络结构特征归纳的半监督调制类型识别方法的技术方案的描述。本发明实施例对此不做赘述。
[0153]
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
[0154]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。