一种物联网中元策略学习传输模式识别技术研究

修思瑞　周小林　王宝睿　杜刚

摘  要： 分析了一种物联网中元策略学习传输模式识别方法.采用阶段式元学习（ML）神经网络构成元学习器，利用数据增强（DA）技术对图像进行预处理，决策验证等多个模块被用于协作识别，能够有效地抵抗恶劣环境对信号造成的影响.理论分析和仿真结果证明了该调制模式识别方法的有效性.

关键词： 自动调制识别; 物联网; 元学习（ML）; 数据增强（DA）

中图分类号： TP 311    文献标志码： A    文章编号： 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

信号调制方式日益复杂，自动调制识别（AMR）的高度智能化，是构建智能传感器的重要组成部分，也是建立自适应网络，提供高容量自适应调制传输的基础.现有基于机器学习的AMR研究工作已经取得了较高的准确性，但在分类器和调整参数方面，算法执行的成本很高，且计算复杂度也较高，只能在已经训练的种类范围内进行提前识别，仍不具备真正的自主识别能力.

随着机器学习的发展，元学习（ML）神经网络逐渐进入人们的视野.有别于传统的训练网络，其优势在于使用少量的训练样本即可解决新的学习任务，如何构建ML神经网络服务于AMR技术成为了研究的关键.

针对以上背景，本文作者研究了一种物联网中元策略学习传输模式识别方法.对ML神经网络进行阶段化训练，以此简化训练过程，降低复杂度.为了能够应对低信噪比的恶劣环境，将接收信号的星座图作为分类特征，利用阶段式ML神经网络对预处理图像进行训练及测试分类，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分类，以最优分类结果为输出，提高稳健性和准确性.实验结果表明，在低信噪比环境下，多模块协同融合后，系统的识别精度仍然能够高达91.5%，并且本方法训练样本较少，训练成本较低，复杂度较低，易于实现，為AMR的发展提供了新的方案.

1  多模块协同的ML调制模式识别系统

图1是多模块协同的ML调制模式识别系统模型图.首先利用信号发生器生成个调制时间信号（）～X（），并模拟不同信道噪声（）～n（），生成不同信噪比下的接收信号（）～y（）.采集每种不同信噪比下的接收信号进行星座图～P作为分类特征，并对图像进行预处理.利用数据增强（DA）模块依次进行大小、幅度、颜色方面的图像增强，其中（I……VI）中的I～VI代表0°～180°以30°为步幅旋转类别.在阶段式ML分类器中，采用训练样本逐次递增的方式进行阶段式训练，在保证正确率的同时，降低训练时长.最后通过决策验证模块输出识别调制类型～A并将识别准确率高的结果存储，为更新元学习器提供训练集的储备，形成多模块协同识别调制模式.

阶段式神经网络

技术

决策验证模块

2  仿真和分析

本系统中，主要针对14种不同调制阶数的数字调制信号进行调制模式识别，整个实验仿真在低信噪比环境下进行信号采集及识别训练，以正交频分复用（OFDM）调制信号进行传输，尽可能模拟真实环境，生成的OFDM调制信号参数设置为：子载波数为512，CP长度为32，OFDM符号数为100，直流偏置值为7 dB.

图3显示了DA对系统识别精度的影响.对图像进行预处理能够提高识别精度，提升幅度约为10%，在低信噪比情况下的效果更为明显，这也显示了DA能够抑制部分图像失真的情况，对恶劣环境下的信号调制识别提供了帮助.

图4显示了不同调制信号训练下的识别精度对比图.采用低、高阶以及混合调制信号作为特定的训练集，识别精度均能保持在84%以上，在低信噪比环境下，通过低阶调制信号训练的网络更具有抗干扰性，有较高的识别精度.除此之外，有实施策略更新的元学习器也能够提高系统的识别精度，识别精度最高可达91.5%.

3  结 论

分析了一种物联网中元策略学习传输模式的识别方法，采用DA、决策验证多模块协同合作机制对信号识别精度加以提升.仿真实验结果表明：DA能够有效提升识别精度;通过对元学习器的不断更新，可以增强系统在低信噪比环境下的识别性能，在保证识别精度的前提下，扩大自主学习的范围.

参考文献：

[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.

（責任编辑：包震宇，顾浩然）