(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 202111673019.9 (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) G06N 3/08(2006.01) (54)发明名称 面向物联网的元 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元学习调制模式识别方 法。 本发明包括： 对接收信号进行载波频率估计、 相偏估计以及频偏估计； 根据特征量进行星座图 还原； 然后对 图像进行增强预处理， 以抵抗恶劣 环境带来的影 响； 利用阶段式元学习神经网络对 预处理图像进行训练以及测试分类， 赋予分类器 更好的自学能力， 得到初步的调制识别结果； 对 初步的识别结果进行决策并计算相似度， 以最高 相似度作为输出结果， 提高鲁棒性的准确性。 本 发明通过多模块协同融合， 在低信噪比环境下仍 然具有较高的识别精度， 高达91.5％， 并且本方 法训练样本少， 训练成本低， 复杂度低， 易于实 现。 权利要求书3页 说明书6页 附图3页 CN 114298114 A 2022.04.08 CN 114298114 A 1.一种面向物联网的元学习调制模式识别方法， 其特征在于， 包括采用阶段式元学习 神经网络， 构成阶段式元 学习器作为分类 器； 具体步骤为： S1.利用信号发生器生成各种OFDM调制信号， 并模拟物联网系 统的信道生成不同信噪 比下的接收信号； S2.对每种不同信噪比下的接收信号 通过特征提取还原出近似的星座图 图像； S3.对星座图 图像进行图像预处 理， 即图像增强处 理， 得到预处 理图像； S4.利用阶段式元学习神经网络对预处理图像进行训练以及测试分类， 得到接收信号 的识别结果； S5.对接收信号的识别结果进行决策验证， 包括对接收信号的识别结果进行决策并计 算相似度， 得 出调制类型。 2.根据权利要求1所述的面向物联网的元学习调制模式识别方法， 其特征在于， 步骤S1 中所述利用信号发生器生成各种调制信号， 是信号发生器通过物联网的不同信道， 在接 收 端随机生成4至16dB且间隔为 4dB的信噪比范围内各种OFDM调制信号。 3.根据权利要求1所述的面向物联网的元学习调制模式识别方法， 其特征在于， 步骤S2 中所述还原出近似星座图 图像的具体流 程为： S21.对接收信号y(t)进行信号子载波估计， 包括子载波频率间隔估计、 子载波数目估 计和子载波频率估计； S22.将信号分为I， II两路， 进行基带信号还原， 得到含有载波频偏和载波相偏的基带 信号y1(t)、 y2(t)； S23.对相应的基带信号y1(t)、 y2(t)分别进行频偏估计和相偏估计， 获得频偏与相偏的 估计值； S24.组合信息大致还原星座图。 4.根据权利要求1所述的面向物联网的元学习调制模式识别方法， 其特征在于， 步骤S3 中所述图像预处 理的具体流 程为： S31.对得到的图像进行检测； 对有星座图的图像进行30 °步幅旋转， 得到6张预处理阶 段I图像； S32.将预处 理阶段I图像进行3 0*30像素的大小均一 化处理， 得到预处 理阶段II图像； S33.将预处 理阶段II图像进行 灰度化处 理， 得到预处 理图像。 5.根据权利要求1所述的面向物联网的元学习调制模式识别方法， 其特征在于， 步骤S4 中所述利用阶段式元学习神经网络对预处理图像进行训练， 是在一个阶段内， 存储具有最 低验证损失的训练模型Mft,并且同时保存优化器的响应参数， 当进入下一个阶段时， 增加 训练样本数， 并继承上一阶段的模型Mft并在此基础上进行训练， 以此不 断维护更新网络， 达成自学习过程。 6.根据权利要求5所述的面向物联网的元学习调制模式识别方法， 其特征在于， 步骤S4 中， 首先对元学习神经网络算法进 行优化， 对训练过程中任务的样本数量进行改进， 将固定 任务样本数量改为阶段式增加训练样本数n， 提高训练精度的同时降低训练耗时； 其次保留 最优模型训练样本数N， 在此基础上固定增加样本数n， 设定更新阈值为N+n； 在识别 未知信 号过程中， 对识别精准度为100％的信号进行存储， 当数量达到阈值时， 更新元学习神经网 络， 以此来更接 近自适应学习， 提高鲁棒 性。权　利　要　求　书 1/3 页 2 CN 114298114 A 27.根据权利要求6所述的面向物联网的元学习调制模式识别方法， 其特征在于， 在构建 的元学习神经网络中， 训练过程阶段旨在找到模 型Mft的参数以进 行快速适应， 通过训练模 型的参数θ来获得快速适配任务的特定模型， 称改模型为快速模型； 在训练算法上， 使用从 训练数据集Ds中采样的先验任务Tp， 每个先验任务中， 包含Tp1 ‑Tpn多个任务， 且每个任务 的训练样本数逐层递增； 在第Tp1任务中， 首先随机生 成模型初始 化参数θ， 以找到元梯度下 降方向， 来更新参数， 它应用与模型Mft相同的前向传播并使用一组由模型Mft共享的参数 θ， 以元梯度的方向为指导， 在下一阶段进一步对模型参数θ进 行优化， 直至收敛取得最优模 型进行测试。 8.根据权利要求7所述的面向物联网的元学习调制模式识别方法， 其特征在于， 在构建 元学习神经网络中， 包括建立一个映射函数， 即fθ： RD→RM， 参数为θ； 将 输入空间映射到嵌入 维度为M的空间， 然后计算每 个类的原型： 其中， |Sk|为训练数据集Ds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； 在执行分类阶段， 通过比较查询集中每个样本与类别原型的欧式距离， 同样通过归一 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： 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： 9.根据权利要求8所述的面向物联网的元学习调制模式识别方法， 其特征在于， 阶段式 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Mft,我们考 虑一个由M表示的快速模型， 其参数由模型Mft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Ds从第m个先前任务Tp， 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 是快速模型Mft的损失函数； 快速参数θ与快速模型共享， 校验数据Dq在当前任务Tp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Mft的参数： 10.根据权利要求1所述的面向物联网的元学习调制模式识别方法， 其特征在于， 步骤 S5中所述对接收信号的识别结果进行决策验证的具体流 程为：权　利　要　求　书 2/3 页 3 CN 114298114 A 3