修思瑞　周小林　王寶睿　杜剛

摘? 要： 分析了一種物聯(lián)網(wǎng)中元策略學(xué)習(xí)傳輸模式識(shí)別方法.采用階段式元學(xué)習(xí)（ML）神經(jīng)網(wǎng)絡(luò)構(gòu)成元學(xué)習(xí)器，利用數(shù)據(jù)增強(qiáng)（DA）技術(shù)對(duì)圖像進(jìn)行預(yù)處理，決策驗(yàn)證等多個(gè)模塊被用于協(xié)作識(shí)別，能夠有效地抵抗惡劣環(huán)境對(duì)信號(hào)造成的影響.理論分析和仿真結(jié)果證明了該調(diào)制模式識(shí)別方法的有效性.

關(guān)鍵詞： 自動(dòng)調(diào)制識(shí)別; 物聯(lián)網(wǎng); 元學(xué)習(xí)（ML）; 數(shù)據(jù)增強(qiáng)（DA）

中圖分類(lèi)號(hào)： TP 311??? 文獻(xiàn)標(biāo)志碼： A??? 文章編號(hào)： 1000-5137（2022）02-0227-05

XIU Sirui， ZHOU XiaolinWANG Baorui， DU Gang

（School of Information Science and Technology， Fudan University， Shanghai 200433， China）

In this paper， a transfer pattern recognition method for meta-policy learning in the Internet of Things was analyzed. Firstly， the staged meta-learning （ML） neural network was used to construct a meta-learner. Secondly，the data augmentation （DA） technology was adopted to preprocess the image. Finally， multiple modules such as decision verification were used for collaborative recognition， which could effectively resist the influence of harsh environments on signals. The theoretical analysis and simulation results demonstrated the effectiveness of the modulation pattern recognition method.

automatic modulation recognition; Internet of Things; meta-learning （ML）; data augmentation （DA）

0? 引言

信號(hào)調(diào)制方式日益復(fù)雜，自動(dòng)調(diào)制識(shí)別（AMR）的高度智能化，是構(gòu)建智能傳感器的重要組成部分，也是建立自適應(yīng)網(wǎng)絡(luò)，提供高容量自適應(yīng)調(diào)制傳輸?shù)幕A(chǔ).現(xiàn)有基于機(jī)器學(xué)習(xí)的AMR研究工作已經(jīng)取得了較高的準(zhǔn)確性，但在分類(lèi)器和調(diào)整參數(shù)方面，算法執(zhí)行的成本很高，且計(jì)算復(fù)雜度也較高，只能在已經(jīng)訓(xùn)練的種類(lèi)范圍內(nèi)進(jìn)行提前識(shí)別，仍不具備真正的自主識(shí)別能力.

隨著機(jī)器學(xué)習(xí)的發(fā)展，元學(xué)習(xí)（ML）神經(jīng)網(wǎng)絡(luò)逐漸進(jìn)入人們的視野.有別于傳統(tǒng)的訓(xùn)練網(wǎng)絡(luò)，其優(yōu)勢(shì)在于使用少量的訓(xùn)練樣本即可解決新的學(xué)習(xí)任務(wù)，如何構(gòu)建ML神經(jīng)網(wǎng)絡(luò)服務(wù)于A(yíng)MR技術(shù)成為了研究的關(guān)鍵.

針對(duì)以上背景，本文作者研究了一種物聯(lián)網(wǎng)中元策略學(xué)習(xí)傳輸模式識(shí)別方法.對(duì)ML神經(jīng)網(wǎng)絡(luò)進(jìn)行階段化訓(xùn)練，以此簡(jiǎn)化訓(xùn)練過(guò)程，降低復(fù)雜度.為了能夠應(yīng)對(duì)低信噪比的惡劣環(huán)境，將接收信號(hào)的星座圖作為分類(lèi)特征，利用階段式ML神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理圖像進(jìn)行訓(xùn)練及測(cè)試分類(lèi)，賦予分類(lèi)器更好的自學(xué)能力，得到初步的調(diào)制識(shí)別結(jié)果;對(duì)初步的識(shí)別結(jié)果進(jìn)行決策分類(lèi)，以最優(yōu)分類(lèi)結(jié)果為輸出，提高穩(wěn)健性和準(zhǔn)確性.實(shí)驗(yàn)結(jié)果表明，在低信噪比環(huán)境下，多模塊協(xié)同融合后，系統(tǒng)的識(shí)別精度仍然能夠高達(dá)91.5%，并且本方法訓(xùn)練樣本較少，訓(xùn)練成本較低，復(fù)雜度較低，易于實(shí)現(xiàn)，為AMR的發(fā)展提供了新的方案.

1? 多模塊協(xié)同的ML調(diào)制模式識(shí)別系統(tǒng)

圖1是多模塊協(xié)同的ML調(diào)制模式識(shí)別系統(tǒng)模型圖.首先利用信號(hào)發(fā)生器生成個(gè)調(diào)制時(shí)間信號(hào)（）～X（），并模擬不同信道噪聲（）～n（），生成不同信噪比下的接收信號(hào)（）～y（）.采集每種不同信噪比下的接收信號(hào)進(jìn)行星座圖～P作為分類(lèi)特征，并對(duì)圖像進(jìn)行預(yù)處理.利用數(shù)據(jù)增強(qiáng)（DA）模塊依次進(jìn)行大小、幅度、顏色方面的圖像增強(qiáng)，其中（I……VI）中的I～VI代表0°～180°以30°為步幅旋轉(zhuǎn)類(lèi)別.在階段式ML分類(lèi)器中，采用訓(xùn)練樣本逐次遞增的方式進(jìn)行階段式訓(xùn)練，在保證正確率的同時(shí)，降低訓(xùn)練時(shí)長(zhǎng).最后通過(guò)決策驗(yàn)證模塊輸出識(shí)別調(diào)制類(lèi)型～A并將識(shí)別準(zhǔn)確率高的結(jié)果存儲(chǔ)，為更新元學(xué)習(xí)器提供訓(xùn)練集的儲(chǔ)備，形成多模塊協(xié)同識(shí)別調(diào)制模式.

階段式神經(jīng)網(wǎng)絡(luò)

技術(shù)

決策驗(yàn)證模塊

2? 仿真和分析

本系統(tǒng)中，主要針對(duì)14種不同調(diào)制階數(shù)的數(shù)字調(diào)制信號(hào)進(jìn)行調(diào)制模式識(shí)別，整個(gè)實(shí)驗(yàn)仿真在低信噪比環(huán)境下進(jìn)行信號(hào)采集及識(shí)別訓(xùn)練，以正交頻分復(fù)用（OFDM）調(diào)制信號(hào)進(jìn)行傳輸，盡可能模擬真實(shí)環(huán)境，生成的OFDM調(diào)制信號(hào)參數(shù)設(shè)置為：子載波數(shù)為512，CP長(zhǎng)度為32，OFDM符號(hào)數(shù)為100，直流偏置值為7 dB.

圖3顯示了DA對(duì)系統(tǒng)識(shí)別精度的影響.對(duì)圖像進(jìn)行預(yù)處理能夠提高識(shí)別精度，提升幅度約為10%，在低信噪比情況下的效果更為明顯，這也顯示了DA能夠抑制部分圖像失真的情況，對(duì)惡劣環(huán)境下的信號(hào)調(diào)制識(shí)別提供了幫助.

圖4顯示了不同調(diào)制信號(hào)訓(xùn)練下的識(shí)別精度對(duì)比圖.采用低、高階以及混合調(diào)制信號(hào)作為特定的訓(xùn)練集，識(shí)別精度均能保持在84%以上，在低信噪比環(huán)境下，通過(guò)低階調(diào)制信號(hào)訓(xùn)練的網(wǎng)絡(luò)更具有抗干擾性，有較高的識(shí)別精度.除此之外，有實(shí)施策略更新的元學(xué)習(xí)器也能夠提高系統(tǒng)的識(shí)別精度，識(shí)別精度最高可達(dá)91.5%.

3? 結(jié) 論

分析了一種物聯(lián)網(wǎng)中元策略學(xué)習(xí)傳輸模式的識(shí)別方法，采用DA、決策驗(yàn)證多模塊協(xié)同合作機(jī)制對(duì)信號(hào)識(shí)別精度加以提升.仿真實(shí)驗(yàn)結(jié)果表明：DA能夠有效提升識(shí)別精度;通過(guò)對(duì)元學(xué)習(xí)器的不斷更新，可以增強(qiáng)系統(tǒng)在低信噪比環(huán)境下的識(shí)別性能，在保證識(shí)別精度的前提下，擴(kuò)大自主學(xué)習(xí)的范圍.

參考文獻(xiàn)：

[1]? LIU S， LIU L， YANG H， et al. Research on 5G technology based on Internet of things [C]// 2020 IEEE 5th Information Technology and Mechatronics Engineering Conference （ITOEC）. Chongqing： IEEE，2020：1821-1823.

[2]? LIU X， WANG X， MATWIN S. Interpretable deep convolutional neural networks via meta?learning [C]// 2018 International Joint Conference on Neural Networks （IJCNN）. Rio de Janeiro： IEEE，2018：1-9.

[3]? PAWAR A. Modified model?agnostic meta?learning [C]// 2020 IEEE International Conference on Machine Learning and Applied Network Technologies （ICMLANT）. Hyderabad： IEEE，2020：1-4.

[4]? FINN C， ABBEEL P， LEVINE S. Model?agnostic meta?learning for fast adaptation of deep networks [C]// Proceedings of the 34th International Conference on Machine Learning?Volume. Sydney： ACM，2017：1126-1135.

[5]? SNELL J， SWERSKY K， ZEMEL R S. Prototypical networks for few?shot learning [C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach： ACM，2017：4080-4090.

（責(zé)任編輯：包震宇，顧浩然）