一種物聯(lián)網(wǎng)中元策略學(xué)習(xí)傳輸模式識別技術(shù)研究

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（DA）技術(shù)對圖像進行預(yù)處理，決策驗證等多個模塊被用于協(xié)作識別，能夠有效地抵抗惡劣環(huán)境對信號造成的影響.理論分析和仿真結(jié)果證明了該調(diào)制模式識別方法的有效性.

關(guān)鍵詞： 自動調(diào)制識別; 物聯(lián)網(wǎng); 元學(xué)習(xí)（ML）; 數(shù)據(jù)增強（DA）

中圖分類號： TP 311??? 文獻標(biāo)志碼： A??? 文章編號： 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

信號調(diào)制方式日益復(fù)雜，自動調(diào)制識別（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，但在分類器和調(diào)整參數(shù)方面，算法執(zhí)行的成本很高，且計算復(fù)雜度也較高，只能在已經(jīng)訓(xùn)練的種類范圍內(nèi)進行提前識別，仍不具備真正的自主識別能力.

隨著機器學(xué)習(xí)的發(fā)展，元學(xué)習(xí)（ML）神經(jīng)網(wǎng)絡(luò)逐漸進入人們的視野.有別于傳統(tǒng)的訓(xùn)練網(wǎng)絡(luò)，其優(yōu)勢在于使用少量的訓(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AMR技術(shù)成為了研究的關(guān)鍵.

針對以上背景，本文作者研究了一種物聯(lián)網(wǎng)中元策略學(xué)習(xí)傳輸模式識別方法.對ML神經(jīng)網(wǎng)絡(luò)進行階段化訓(xùn)練，以此簡化訓(xùn)練過程，降低復(fù)雜度.為了能夠應(yīng)對低信噪比的惡劣環(huán)境，將接收信號的星座圖作為分類特征，利用階段式ML神經(jīng)網(wǎng)絡(luò)對預(yù)處理圖像進行訓(xùn)練及測試分類，賦予分類器更好的自學(xué)能力，得到初步的調(diào)制識別結(jié)果;對初步的識別結(jié)果進行決策分類，以最優(yōu)分類結(jié)果為輸出，提高穩(wěn)健性和準(zhǔn)確性.實驗結(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)的識別精度仍然能夠高達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)制模式識別系統(tǒng)

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

階段式神經(jīng)網(wǎng)絡(luò)

技術(shù)

決策驗證模塊

2? 仿真和分析

本系統(tǒng)中，主要針對14種不同調(diào)制階數(shù)的數(shù)字調(diào)制信號進行調(diào)制模式識別，整個實驗仿真在低信噪比環(huán)境下進行信號采集及識別訓(xùn)練，以正交頻分復(fù)用（OFDM）調(diào)制信號進行傳輸，盡可能模擬真實環(huán)境，生成的OFDM調(diào)制信號參數(shù)設(shè)置為：子載波數(shù)為512，CP長度為32，OFDM符號數(shù)為100，直流偏置值為7 dB.

圖3顯示了DA對系統(tǒng)識別精度的影響.對圖像進行預(yù)處理能夠提高識別精度，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，對惡劣環(huán)境下的信號調(diào)制識別提供了幫助.

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

3? 結(jié) 論

分析了一種物聯(lián)網(wǎng)中元策略學(xué)習(xí)傳輸模式的識別方法，采用DA、決策驗證多模塊協(xié)同合作機制對信號識別精度加以提升.仿真實驗結(jié)果表明：DA能夠有效提升識別精度;通過對元學(xué)習(xí)器的不斷更新，可以增強系統(tǒng)在低信噪比環(huán)境下的識別性能，在保證識別精度的前提下，擴大自主學(xué)習(xí)的范圍.

參考文獻：

[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）