基于自监督对比学习的通信信号调制样式识别方法和装置

本发明涉及机器学习，尤其涉及一种基于自监督对比学习的通信信号调制样式识别方法和装置。

背景技术：

1、随着通信技术和互联网技术的发展，通信环境变得越来越复杂，信息量也越来越大，为了满足用户的通信需求，信号调制样式也变得多种多样，因此对通信信号调制样式进行识别成为一项复杂且具有挑战的工作。

2、通信信号调制样式识别是信号处理领域的研究热点，是介于信号检测和信号解调之间的一项技术，主要任务是实现信号的接收和处理，在先验知识较少的情况下完成信号识别，目前被广泛应用于无线电频谱管理和监测、信号确认、干扰识别、军事情报拦截、电子侦察对抗和威胁分析等民用和军用领域。

3、目前的通信信号调制样式识别方法可分为人工识别和自动识别两种，人工识别就是让训练有素的技术人员来操作专业设备达到目的，这种识别方式应用于调制方式比较简单并且分类需求少的场景下会取得比较好的效果。然而随着数字通信技术的飞速发展，通信信号调制样式和种类也变得越来越多，传统的人工识别不再具有优势。在这种情况下，自动识别方式应运而生，目前已经比较成熟的自动识别方法主要有两种：决策论方法和统计模式识别方法。决策论方依据通信信号的统计特性，对其进行分析和推导，得到一个统计量之后与设定的合适门限进行比较和判定；统计模式识别方法是从接收到的通信信号中提取特征，再进行模式识别判定信号调制样式类型，常用的特征提取方法有人工提取信号瞬时参数、谱相关分析、信号星座图、高阶统计量等。这些方法的出现在一定程度上补足了人工识别方式的不足，但也存在有效特征提取较少、易受噪声影响、区分效果较差等问题。

4、近些年机器学习和深度学习技术的发展，为通信信号调制样式识别提供了新的研究思路。基于深度学习的通信信号调制样式识别利用神经网络强大的特征提取能力，在自动识别方式中展现出巨大的优势。目前已经有许多学者将不同的深度学习模型应用于通信信号调制样式识别领域，例如基于信号输入采用循环神经网络(recurrent neuralnetwork,rnn)、卷积长短时记忆深度神经网络(convolutional,long short-term memory,fully connected deep neural networks,cldnn)和卷积神经网络(convolutionalneural network,cnn)等实现通信信号调制样式识别。然而这些研究多以监督学习模型为主，监督学习模型需要足够的关于对象类别的先验知识，也就是需要大量的标签进行训练才能使得最后的识别效果达到预期。当标签数量较少时，监督学习模型的性能会急剧降低，使得最后的识别效果也不尽如人意。在实际的生活与应用中，可以采集到大量的信号数据样本，但是采集到的样本都是没有标签的，如果要使用监督学习模型就需要花费大量的人力资源去分门别类一一打上标签，也需要付出大量的时间成本。因此，将监督学习模型落地应用于实际通信信号调制样式识别问题中就存在诸多限制。

5、因此，如何避免现有技术在通信信号调制样式识别中使用监督学习需要大量的时间成本和人力成本打分类标签，仍然是本领域技术人员亟待解决的问题。

技术实现思路

1、本发明提供一种基于自监督对比学习的通信信号调制样式识别方法，用以解决现有技术在通信信号调制样式识别中使用监督学习需要大量的时间成本和人力成本打分类标签的问题。

2、本发明提供一种基于自监督对比学习的通信信号调制样式识别方法，包括：

3、获取待识别通信信号调制样式；

4、将所述待识别通信信号调制样式输入训练好的调制样式识别模型，输出预测结果；

5、其中，所述训练好的调制样式识别模型的结构为训练好的对抗自编码器模块和训练好的残差神经网络模块分别与训练好的自监督对比学习模块相连，所述训练好的自监督对比学习模块再与训练好的通信信号调制样式分类模块相连。

6、根据本发明提供的一种基于自监督对比学习的通信信号调制样式识别方法，所述训练好的对抗自编码器模块是基于多个无标签通信信号样本数据进行训练后得到，所述对抗自编码器模块训练过程中的网络结构为顺次连接的编码器和解码器。

7、根据本发明提供的一种基于自监督对比学习的通信信号调制样式识别方法，所述编码器训练过程中的网络结构包括3个三维卷积层和1个一维卷积层，每个卷积层后都有一层批归一化层，卷积层之后接一层全局池化层；所述解码器训练过程中的网络结构包括1个二维卷积转置层和3个三维卷积转置层。

8、根据本发明提供的一种基于自监督对比学习的通信信号调制样式识别方法，所述训练好的残差神经网络模块是基于多个无标签通信信号样本数据进行训练后得到的，所述残差神经网络模块训练过程中的网络结构分为5个阶段，第一阶段包括依次连接的卷积层、批归一化层、relu激活函数和池化层，第二至五个阶段分别含有3、4、6和3个残差块，每个残差块包含3层卷积层。

9、根据本发明提供的一种基于自监督对比学习的通信信号调制样式识别方法，所述训练好的自监督对比学习模块是基于第一训练数据集进行训练后得到的，所述第一训练数据集是多个无标签通信信号样本数据分别输入训练好的对抗自编码模块和残差神经网络模块输出得到的对抗自编码器模块特征向量样本和残差网络特征向量样本构成的。

10、根据本发明提供的一种基于自监督对比学习的通信信号调制样式识别方法，所述自监督对比学习模块的训练过程为：采用期望最大化em算法训练待训练网络。

11、根据本发明提供的一种基于自监督对比学习的通信信号调制样式识别方法，所述通信信号调制样式分类模块是基于集成分类实现，所述集成分类通过聚集多个弱分类器组成一个强分类器，所述通信信号调制样式识别模型的训练是选用adaboost实现。

12、本发明还提供一种基于自监督对比学习的通信信号调制样式识别装置，包括：

13、获取单元，用于获取待识别通信信号调制样式；

14、识别单元，用于将所述待识别通信信号调制样式输入训练好的调制样式识别模型，输出预测结果；其中，所述调制样式识别模型的结构为训练好的对抗自编码器模块和训练好的残差神经网络模块分别与训练好的自监督对比学习模块相连，所述训练好的自监督对比学习模块再与训练好的通信信号调制样式分类模块相连。

15、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述的基于自监督对比学习的通信信号调制样式识别方法的步骤。

16、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一项所述的基于自监督对比学习的通信信号调制样式识别方法的步骤。

17、本发明提供的基于自监督对比学习的通信信号调制样式识别方法和装置，通过获取待识别通信信号调制样式；将所述待识别通信信号调制样式输入训练好的调制样式识别模型，输出预测结果；其中，所述训练好的调制样式识别模型的结构为训练好的对抗自编码器模块和训练好的残差神经网络模块分别与训练好的自监督对比学习模块相连，所述训练好的自监督对比学习模块再与训练好的通信信号调制样式分类模块相连。本发明将自监督对比学习和表征学习相结合，将自监督学习的方法引入通信信号调制样式识别领域，有效提取调制信号特征，提高通信信号调制样式分类识别的准确度。