一种电磁信号半监督增量调制类型识别方法

本发明属于信号处理，具体涉及一种电磁信号半监督增量调制类型识别方法。

背景技术：

1、目前，利用特定电磁环境采集的调制信号所训练得到的智能模型，只能识别特定环境中的调制信号类型，一旦环境中出现新增的调制信号类型时，原有的旧模型将会发生误判，从而影响对调制信号类型的识别性能。

2、为保持智能模型对电磁环境中旧的调制信号的识别能力，同时提升对新增类型的识别性能，现有的方法通常是：混合新增的调制类型和旧调制类型对智能模型进行微调或者重新训练，但该方法会耗费大量的训练成本。此外，在部分的应用场景中，出于数据隐私保护的目的，原有旧调制信号类型的训练数据无法获取，需要从当前的环境中重新采集训练数据(包含了新、旧调制类型)，但由于原有的旧调制信号方案因某些因素(譬如：电磁干扰压制)，导致旧调制信号方案的使用频率较低，环境中相应的调制信号样本也较少，而新的调制信号方案使用频繁，相应地调制信号样本较多。这导致重新采集的数据将会出现严重的倾斜，即新增调制信号类型的样本比重远远大于旧调制信号类型的比重。倘若采用上述混合所有调制信号类型进行重新训练或者微调，将无法得到有效的、能够识别所有调制类型的智能模型。新兴的增量学习虽然可以较好的解决上述问题，但是却需要耗费额外的人力成本来标注新增的调制信号类型。

3、因此，现有的针对调制信号样本不均衡的解决方案，存在对调制信号类别的识别性能较差或者样本标注成本较高的问题。

技术实现思路

1、为了解决现有技术中所存在的上述问题，本发明提供了一种电磁信号半监督增量调制类型识别方法。

2、本发明要解决的技术问题通过以下技术方案实现：

3、第一方面，本发明提供了一种电磁信号半监督增量调制类型识别方法，包括：

4、获取待分类的电磁信号；

5、将待分类的电磁信号输入预训练的类型识别模型，获取待分类的电磁信号的输出类别；

6、预训练的类型识别模型是基于半监督增量学习的方法训练得到，半监督增量学习的方法利用联合损失函数对类型识别模型的参数进行调整。

7、可选地，联合损失函数基于相似性度量损失、监督对比损失、增量损失以及交叉熵损失叠加得到。

8、可选地，预训练的类型识别模型的训练过程包括：

9、s101、获取训练电磁样本；训练电磁样本包括：有标记训练样本和无标记训练样本；

10、s102、从无标记训练样本中随机抽取多个第一子样本，基于抽取得到的第一子样本和初始类型识别模型进行样本增强以及相似性度量损失计算，得到相似性度量损失以及伪标签样本子集；

11、s103、从有标记训练样本中随机抽取多个第二子样本，并混合伪标签样本子集得到混合训练样本；

12、s104、对每个混合训练样本进行旋转变换以及特征提取处理，并根据特征提取结果计算监督对比损失以及交叉熵损失；

13、s105、从无标记训练样本和有标记训练样本中随机抽取多个第三子样本，将第三子样本分别输入初始类型识别模型和原有类型识别模型，对应得到第一全连接层输出和第二全连接层输出；初始类型识别模型和原有类型识别模型结构相同；

14、s106、对第一全连接层输出和第二全连接层输出进行软化处理，并根据软化处理结果得到增量损失；

15、s107、将相似性度量损失、监督对比损失、交叉熵损失以及增量损失进行叠加处理，得到联合损失函数；

16、s108、向着初始类型识别模型的联合损失函数的值下降的方向重复执行步骤s101-s107，直到达到预设准确率要求；

17、s109、将满足预设准确率要求的初始类型识别模型，作为预训练的类型识别模型。

18、可选地，从无标记训练样本中随机抽取多个第一子样本，基于抽取得到的第一子样本和初始类型识别模型进行样本增强以及相似性度量损失计算，得到相似性度量损失以及伪标签样本子集，包括：

19、根据第一子样本的位置索引对第一子样本添加虚拟标签，得到第一子索引样本；

20、任意选取两个第一子索引样本，形成多个子索引样本对；

21、对子索引样本对进行样本增强处理，得到融合子样本；

22、将融合子样本和子索引样本对输入初始类型识别模型，得到融合子样本特征、子索引样本对特征以及伪标签样本子集；

23、根据融合子样本特征和子索引样本对特征进行相似性度量损失计算，得到相似性度量损失。

24、可选地，对子索引样本对进行样本增强处理，得到融合子样本，包括：

25、对子索引样本对进行旋转变换处理，得到子索引旋转样本对；

26、对子索引旋转样本对进行mixup处理，得到融合子样本。

27、可选地，将融合子样本和子索引样本对输入初始类型识别模型，得到融合子样本特征、子索引样本对特征以及伪标签样本子集，包括：

28、将融合子样本和子索引样本对分别输入初始类型识别模型的特征表示模块，对应得到融合子样本特征和子索引样本对特征；

29、将子索引样本对特征输入初始类型识别模型的分类模块，得到带伪标签的伪标签样本子集。

30、可选地，根据融合子样本特征和子索引样本对特征进行相似性度量损失计算，得到相似性度量损失，包括：

31、将融合子样本特征和子索引样本对特征输入相似性度量损失计算公式，得到相似性度量损失；

32、相似性度量损失计算公式表示为：

33、lsim＝λulce(cossim(zmix,vu),zu)+(1-λu)lce(cossim(zmix,zu'),vu')；

34、其中，lsim表示相似性度量损失，λu表示对第u个子索引样本对进行mixup处理时的叠加比例，lce是交叉熵损失函数，zmix为融合子样本特征；cossim表示余弦相似度函数，zu表示子索引样本对特征的第一个样本特征；vu表示子索引样本对中的第一个样本虚拟标签；zu'表示子索引样本对特征的第二个样本特征；vu'表示子索引样本对中的第二个样本虚拟标签。

35、可选地，对每个混合训练样本进行旋转变换以及特征提取处理，并根据特征提取结果计算监督对比损失以及交叉熵损失，包括：

36、将混合训练样本进行预设次数的旋转变化处理，并将旋转变换处理后的混合训练样本输入初始类型识别模型的特征表示模块，得到旋转变换特征；

37、将旋转变换特征输入监督对比损失计算公式，得到监督对比损失；

38、将旋转变换特征输入初始类型识别模型的分类模块，得到交叉熵损失；

39、监督对比损失计算公式表示为：

40、

41、其中，lsup表示监督对比损失，h表示旋转变化处理次数，n表示第二子样本个数，f表示伪标签样本子集中的样本个数，i表示当前样本，j表示任意样本，yi表示当前样本i的真实标签，zi表示样本i的旋转变换特征，zj表示样本j的旋转变换特征，t表示超参数，i(·)表示指示函数，表示标签为yi的第二子样本数量，exp表示以e为底数的指数函数。

42、可选地，在本发明中，旋转变化处理次数可以根据实际情况灵活调整，在本发明实施例中，旋转变化处理次数h的取值，优选取值为2。

43、可选地，并根据软化处理结果得到增量损失，包括：

44、对第一全连接层输出和第二全连接层输出分别进行软化处理，对应得到第一软化结果和第二软化结果；

45、将第一软化结果和第二软化结果输入增量损失计算公式，计算得到增量损失；

46、增量损失计算公式表示为：

47、

48、其中，linc表示增量损失，表示第一软化结果，表示第二软化结果，t表示知识蒸馏中的温度参数，k表示原有类型识别模型的标签个数。

49、可选地，向着初始类型识别模型的联合损失函数的值下降的方向重复执行步骤s101-s107，直到达到预设准确率要求，包括：

50、向着联合损失函数的值下降的方向重复执行步骤s101-s107，直到平均识别准确率和识别准确率均满足预设精确率要求；

51、平均识别准确率表示为：

52、

53、表示平均识别准确率，θ为训练得到的初始类型识别模型的参数；表示第m种调制类型的第i个样本，f(.；.)表示初始类型识别模型；

54、识别准确率表示为：

55、

56、表示识别准确率，ns表示给定信噪比下的样本总数，表示给定信噪比snr下第m种调制类型的第i个样本。

57、第二方面，本发明提供了一种电磁信号半监督增量调制类型识别系统，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电磁信号半监督增量调制类型识别系统运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行如上述第一方面方法的步骤。

58、本发明提供的一种电磁信号半监督增量调制类型识别方法，包括：获取待分类的电磁信号；将待分类的电磁信号输入预训练的类型识别模型，获取待分类的电磁信号的输出类别；预训练的类型识别模型是基于半监督增量学习的方法训练得到，半监督增量学习的方法利用联合损失函数对类型识别模型的参数进行调整。在本发明中，通过采用半监督增量学习以及联合损失函数训练得到预训练的类型识别模型，并基于预训练的类型识别模型获取待分类的电磁信号的输出类别，实现了在旧类型调制样本数量较少且新旧调制类型的样本不均衡的情况下，完成预训练的类型识别模型对全类型的电磁信号调制类型的高精度识别，同时避免了现有技术中样本标注成本较高的问题，提高了预训练的类型识别模型对全类别调制信号的识别精度。

59、以下将结合附图及实施例对本发明做进一步详细说明。