面向智能物联的双路径机器学习调制模式识别技术研究

修思瑞　周小林　王宝睿　杜刚

摘  要： 分析了一种面向智能物联的双路径机器学习调制模式识别方法.以元学习网络为基础，将模糊分类和精确分类相结合，在低信噪比环境下，能扩增识别信号类型，同时保持较高的识别精度，有效地降低了恶劣环境对信号带来的影响.用理论分析和仿真结果证明了该方法的有效性.

关键词： 智能物联; 自适应网络; 元学习; 双路径

中图分类号： TP 311    文献标志码： A    文章编号： 1000-5137（2022）02-0221-06

XIU Sirui， ZHOU XiaolinWANG Baorui， DU Gang

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

In this paper a dual path machine learning modulation pattern recognition method was analyzed for intelligent Internet of Things. Based on meta-learning network and the combination of fuzzy classification and precise classification， the types of identification signals were increased， and high identification accuracy was maintained in the low signal-to-noise ratio environment at the same time which could effectively reduced the impacts of harsh environment to the signal. The theoretical analysis and simulation results demonstrated the effectiveness of the proposed method.

intelligent Internet of Things; adaptive network; meta-learning; dual path

0  引言

隨着互联网产业日趋成熟以及人工智能的出现和发展，越来越多的物联网设备朝着智能化方向迅速融合.其具备的数据交换的能力，推动了智能物联网的变革和发展，同时也为人们的生产、生活和社会活动提供了大量的机会和便利.智能物联已成为一种主导技术，允许不同的事物通过互联网进行通信并相互理解，利用人工智能技术来处理不同传感器收集的数据并采取相应的行动.

智能化接收和识别不同调制类型的信号能够有效提高信号确认和频谱管理速率，减少网络延迟，提高准确率，为搭建智能物联自适应网络提供可能.现有的调制模式识别的研究已获得了较高的准确率，但是大多数算法都专注于数字调制分类，而忽视了模拟通信技术，不能完全体现汽车自适应网络的智能化和广泛化.

针对以上背景，本文作者研究了一种面向智能物联的双路径机器学习调制模式识别方法.以元学习神经网络为基础，识别不同类型图像.将识别阶段分为模糊分类和精准分类阶段，区分非数字调制信号，并对数字调制信号进行精准分类，以最优分类结果作为输出，在保证准确率的同时，提高系统的兼容性.实验结果表明，该双路径双重识别方式所能识别的信号类型范围更广，复杂度更低，比单一方式的识别精度提高约8%.

1  双路径调制模式识别系统

元学习神经网络

双路径数据集

双阶段分类器

2  仿真和分析

分别采用双路径识别方案及星座图单路径识别方案进行仿真对比实验.在神经网络选取上，元学习神经网络具备自我学习的功能，且为了控制变量，由双路径识别方案训练神经网络.由于星座图仅能还原数字调制信号，设计基础调制信号包含2ASK，2PSK，2FSK，2QAM，4ASK，4FSK，4PSK，4QAM，8ASK，8FSK，8PSK，8QAM，16ASK，16FSK，16PSK，16QAM，32QAM及64QAM 18种数字调制信号，涵盖不同调制阶数的数字调制方式，尽可能模拟复杂的调制信号环境.在双路径识别方案中，除18种基础调制信号外，还设计了AM，FM非数字调制信号，总共20种调制信号进行仿真实验.

在元学习神经网络的训练阶段，每种调制信号的信噪比由4 dB增加到10 dB，且以2 dB为间隔变化，当信噪比为1 dB时，每种类型共采集20张图像作为训练集，共计1 600张图像.在测试阶段，每种调制信号均选取40张图像（双路径共计800张，星座图共计720张）作为测试对象进行测试.

图4显示了双路径训练集下，训练及验证分类准确率与迭代次数的关系.训练过程中，在每个迭代次数结束之后，保存的模型都会在新任务上泛化测试，以此来评估分类模型的快速自学习能力.仿真结果表明，不同信噪比下，训练分类的验证准确率在5，6次迭代后显著提高，并逐渐趋于稳定，最终均能保持在90%左右，显示出了较强的快速自学习能力.

由于星座图单路径识别方案无法识别非数字调制信号，只对比两种方案对数字调制信号的识别精度.图5为双路径识别方案和星座图单路径识别方案在数字调制信号识别精度的效果图.从图5中可以看出，双路径识别方案在低信噪比情况下，能够提高识别准确率，识别准确率提高最大幅度约为8%，有一定的可行性.

3  结 论

分析了一种面向智能物联的双路径机器学习调制模式识别方法，以元学习网络为基础，模糊分类和精确分类相结合的方式，在扩大识别信号类型的同时，使低信噪比环境下，仍然保持较高的识别精度，比单路径识别方式精度最多提高约8%，能够快速有效地识别各类调制信号，为模拟与数字信号混合调制识别方法的研究提供了一种思路.

参考文献：

[1]  ZHANG C. Intelligent Internet of things service based on artificial intelligence technology [C]// 2021 IEEE 2nd International Conference on Big Data， Artificial Intelligence and Internet of Things Engineering （ICBAIE）. Nanchang： IEEE，2021：731734.

[2]  ALZAHRANI S M. Sensing for the Internet of Things and its applications [C]// 2017 5th International Conference on Future Internet of Things and Cloud Workshops （FiCloudW）. Prague： IEEE，2017：88-92.

[3]  ZHAO X D， ZHOU X H， XIONG J， et al. Automatic modulation recognition based on multi?dimensional feature extraction [C]// 2020 International Conference on Wireless Communications and Signal Processing （WCSP）. Nanjing： IEEE，2020： 823-828.

[4]  HU S， PEI Y， LIANG P P， et al. Deep neural network for robust modulation classification under uncertain noise conditions [J]. IEEE Transactions on Vehicular Technology，2019，69（1）：564-577.

（责任编辑：包震宇，顾浩然）