基于網(wǎng)絡(luò)度量的三分支孿生網(wǎng)絡(luò)調(diào)制識別算法

馮 磊，蔣 磊，許 華，茍澤中

空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，西安 710000

近年來，深度學(xué)習(xí)技術(shù)在圖像分類[1]、目標(biāo)檢測[2]和機器翻譯[3]等智能任務(wù)上取得優(yōu)異效果。因此，基于深度學(xué)習(xí)的通信信號調(diào)制樣式識別也迅速成為國內(nèi)外的研究熱點。文獻(xiàn)[4]直接利用卷積神經(jīng)網(wǎng)絡(luò)對時域的I、Q兩路信號進(jìn)行特征提取，實驗證明了該方法相較于傳統(tǒng)調(diào)制識別方法具有更高的識別準(zhǔn)確率。文獻(xiàn)[5]將截獲的通信信號進(jìn)行一定的預(yù)處理后，嘗試將通信信號時頻圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，取得了較為理想的識別效果，并且將通信信號調(diào)制識別領(lǐng)域與圖像識別領(lǐng)域相融合。文獻(xiàn)[6]和文獻(xiàn)[7]中分別將卷積神經(jīng)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)中的長短時記憶網(wǎng)絡(luò)相結(jié)合作為語音信號和通信調(diào)制信號的特征提取模塊，實驗表明這種組合模塊相較于單一模塊提取的通信信號特征具有更強的表征能力。然而這些基于深度學(xué)習(xí)的調(diào)制識別方法在訓(xùn)練過程中需要依賴大量的訓(xùn)練樣本，否則會使網(wǎng)絡(luò)發(fā)生嚴(yán)重的過擬合問題。在通信對抗領(lǐng)域獲取通信信號樣本“代價”太大，上述的深度學(xué)習(xí)方法難以得到廣泛應(yīng)用，而小樣本學(xué)習(xí)可以在小樣本訓(xùn)練集中使得特征提取網(wǎng)絡(luò)收斂。

現(xiàn)階段用于解決小樣本問題的方案主要包括：數(shù)據(jù)增強、元學(xué)習(xí)和度量學(xué)習(xí)。數(shù)據(jù)增強技術(shù)[8-9]從特征和屬性層面實現(xiàn)對訓(xùn)練樣本的擴充，在一定程度上可以緩解過擬合問題。但是由于小樣本數(shù)據(jù)空間過小、變換模式有限以及生成的訓(xùn)練樣本相似于原始訓(xùn)練樣本，使得數(shù)據(jù)增強技術(shù)無法完全解決過擬合問題。元學(xué)習(xí)技術(shù)[10-12]通過學(xué)習(xí)器學(xué)習(xí)跨任務(wù)領(lǐng)域的梯度更新策略與初始化條件以實現(xiàn)在小樣本訓(xùn)練過程中實現(xiàn)快速收斂。通過添加循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）搭建的外部存儲器[11]記憶學(xué)習(xí)過程，并將其遷移至小樣本訓(xùn)練過程中以實現(xiàn)在小樣本新任務(wù)中的快速學(xué)習(xí)。這些元學(xué)習(xí)方法均取得較為優(yōu)異的識別分類效果，但是基于RNN結(jié)構(gòu)的外部存儲器單元會使得算法復(fù)雜度增大，訓(xùn)練效率低下。度量學(xué)習(xí)方法的思想是學(xué)習(xí)一個特征嵌入空間，在特征嵌入空間中根據(jù)樣本類別進(jìn)行度量，并利用最近鄰分類器進(jìn)行分類識別。常用方法包括原型網(wǎng)絡(luò)[13]、孿生網(wǎng)絡(luò)[14]以及關(guān)系網(wǎng)絡(luò)[15]等。原型網(wǎng)絡(luò)認(rèn)為每個類均存在一個類原型，數(shù)據(jù)集均勻分布在類原型的周圍，通過學(xué)習(xí)類原型的表達(dá)并基于類原型通過最近鄰分類器即可準(zhǔn)確進(jìn)行分類識別。但是原型網(wǎng)絡(luò)沒有考慮到類內(nèi)樣本存在偏差時會導(dǎo)致類原型學(xué)習(xí)不準(zhǔn)確進(jìn)而導(dǎo)致分類偏差。孿生網(wǎng)絡(luò)通過使用權(quán)值共享、完全對稱的特征提取網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練集的特征嵌入空間，通過距離度量尋找最近鄰分類作為測試集的分類結(jié)果。實驗表明孿生網(wǎng)絡(luò)在小樣本訓(xùn)練集中識別效果較為理想，但是當(dāng)訓(xùn)練集中存在相似類別時會出現(xiàn)相似類別分類混淆的問題。

鑒于此，本文在度量學(xué)習(xí)的基礎(chǔ)上提出一種基于網(wǎng)絡(luò)度量的三分支孿生網(wǎng)絡(luò)調(diào)制識別算法，可有效緩解孿生網(wǎng)絡(luò)在相似類別上識別混淆問題。同時為進(jìn)一步提升算法的識別性能，使用網(wǎng)絡(luò)度量代替固定度量函數(shù)，降低對特征提取模塊提取特征的深度依賴；使用局部異常因子檢測算法（Local Outlier Factor，LOF）[16]剔除訓(xùn)練樣本中偏差數(shù)據(jù)，有效解決通信調(diào)制信號在接收過程中受到信道噪聲和接收機噪聲的影響，確保類原型生成更加準(zhǔn)確。在公開的調(diào)制數(shù)據(jù)集DeepSig[17]上進(jìn)行仿真，結(jié)果表明，本文算法可以有效降低訓(xùn)練特征提取網(wǎng)絡(luò)所需樣本量，并且相較于固定的距離度量方法具有更高的識別準(zhǔn)確率。

1 TSN-RN-LOF算法模型

1.1 算法框架

本文算法具體實現(xiàn)分為訓(xùn)練過程與測試過程，總體框架是在三分支孿生網(wǎng)絡(luò)的基礎(chǔ)上級聯(lián)一個非線性度量學(xué)習(xí)的關(guān)系網(wǎng)絡(luò)。在訓(xùn)練過程中通過聯(lián)合損失函數(shù)約束進(jìn)行訓(xùn)練，算法訓(xùn)練框架如圖1所示。

圖1 算法訓(xùn)練框架圖Fig.1 Algorithm training frame diagram

其中，特征提取子網(wǎng)絡(luò)中采用三個參數(shù)共享的殘差網(wǎng)絡(luò)模塊組成，提取最后一層輸出作為輸入樣本的特征表達(dá)；然后將正樣本對與負(fù)樣本對作為共享權(quán)值參數(shù)的關(guān)系網(wǎng)絡(luò)的輸入，以學(xué)習(xí)一個用于分類的非線性度量函數(shù)；通過閾值約束解決三元約束組組合后訓(xùn)練量指數(shù)級增加而引起訓(xùn)練時間長的問題；最后通過聯(lián)合損失函數(shù)約束整個網(wǎng)絡(luò)的訓(xùn)練。

為降低算法的運算量和提升測試精度，在測試過程中通過原始標(biāo)簽生成每個調(diào)制樣式的均值類原型表達(dá)作為關(guān)系子網(wǎng)絡(luò)的輸入，考慮到通信調(diào)制信號由于信噪比和接收機的誤差而引起的偏差，采用LOF算法剔除偏差較大的數(shù)據(jù)。算法測試框架如圖2所示。

圖2 算法測試框架圖Fig.2 Algorithm testing frame diagram

1.1.1 特征提取子網(wǎng)絡(luò)

現(xiàn)有的度量學(xué)習(xí)方法的特征提取模塊設(shè)置相對較為簡單，多為卷積層簡單堆疊而成，導(dǎo)致提取到的特征不夠完善。而且為避免在小樣本條件下訓(xùn)練網(wǎng)絡(luò)由于訓(xùn)練參數(shù)過大出現(xiàn)過擬合問題，CNN 結(jié)構(gòu)設(shè)置也不宜過深。進(jìn)而導(dǎo)致常規(guī)度量學(xué)習(xí)提取的特征無法較為準(zhǔn)確的表達(dá)原始訓(xùn)練樣本。本文借鑒殘差網(wǎng)絡(luò)的設(shè)計原理[18]，使用改進(jìn)型殘差網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)基礎(chǔ)網(wǎng)絡(luò)，利用多個小卷積核連續(xù)卷積代替大卷積核，有效減少網(wǎng)絡(luò)的訓(xùn)練參數(shù)。同時還考慮到通信信號的I、Q 序列在網(wǎng)絡(luò)中同時具有圖像的空間特性和信號的時序特性，本文還在改進(jìn)型殘差網(wǎng)絡(luò)后級聯(lián)長短時記憶網(wǎng)絡(luò)，以提取其時序特征。改進(jìn)型殘差塊結(jié)構(gòu)和整個特征提取模塊結(jié)構(gòu)如圖3 所示，圖（a）為改進(jìn)型n級殘差塊結(jié)構(gòu)，圖（b）為特征提取模塊結(jié)構(gòu)圖。

圖3 特征提取模塊結(jié)構(gòu)圖Fig.3 Feature extraction module structure diagram

殘差網(wǎng)絡(luò)先進(jìn)的思想在于對卷積層實現(xiàn)跳層連接技術(shù)，可有效緩解網(wǎng)絡(luò)深度加深在訓(xùn)練過程中出現(xiàn)的梯度消散和梯度爆炸問題。具體實現(xiàn)是通過在標(biāo)準(zhǔn)卷積結(jié)構(gòu)上增加一個恒等映射，即

其中x表示模塊的輸入，y是模塊的輸出，F(xiàn)(x)=y-x即為網(wǎng)絡(luò)訓(xùn)練需要學(xué)習(xí)的映射。當(dāng)網(wǎng)絡(luò)訓(xùn)練最優(yōu)解時殘差映射F(x)直接置零，輸出和輸入一致，不會改變網(wǎng)絡(luò)參數(shù)。

而使用小卷積核級聯(lián)代替大卷積核的操作，可以使得在不改變感受野的情況下有效減少網(wǎng)絡(luò)參數(shù)，同時還將使用更多的激活函數(shù)，使得神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到更具判別性的映射函數(shù)。

1.1.2 關(guān)系學(xué)習(xí)子網(wǎng)絡(luò)

如圖4 所示，本文關(guān)系網(wǎng)絡(luò)gφ由兩個卷積模塊和兩個全連接層模塊組成。其中每個卷積模塊由64 個1×3 的卷積核構(gòu)成的卷積層和1 個1×2 的最大池化層組成，并使用ReLU函數(shù)作為激活函數(shù)。兩個全連接層分別使用ReLU 函數(shù)與Sigmoid 函數(shù)作為激活函數(shù)，使其歸一化至（0，1）區(qū)間中。

圖4 關(guān)系網(wǎng)絡(luò)模塊結(jié)構(gòu)圖Fig.4 Relational network module structure diagram

為利于關(guān)系網(wǎng)絡(luò)的輸入，引入算子τ作為特征提取子網(wǎng)絡(luò)輸出特征向量的融合并接，得到三元組的特征表示為：

將深度特征融合后的正負(fù)樣本對特征組輸入至兩個參數(shù)共享的關(guān)系網(wǎng)絡(luò)中，得到兩個（0，1）之間的關(guān)系值作為正負(fù)樣本對之間的相似度得分。最終正負(fù)樣本對相似關(guān)系得分表示為：

其中，R為正負(fù)樣本對的相似度得分，gφ(·)為關(guān)系網(wǎng)絡(luò)，φ為關(guān)系網(wǎng)絡(luò)的參數(shù)。

1.1.3 LOF算法

在模型完成訓(xùn)練后，從特征提取子網(wǎng)絡(luò)后端提取出每個類各樣本的特征映射為使在各類別生成的類原型中更加準(zhǔn)確，本文使用LOF算法檢測并剔除掉樣本數(shù)據(jù)中偏差較大的訓(xùn)練數(shù)據(jù)。針對每個樣本的特征表達(dá)，尋找距離其最近的k個樣本點，并記低K個最近樣本點為其的k-近鄰距離，表示為而對于該樣本點的第k距離鄰域為該樣本點中第k距離以內(nèi)的所有點，記為樣本點到之間的可達(dá)距離為樣本點的K近鄰距離和兩點之間距離的最大值，記為

為衡量樣本點的異常程度，基于局部可達(dá)距離定義局部可達(dá)密度為：

為進(jìn)一步衡量樣本點的異常程度，通過比較其與周圍近鄰樣本點之間的相對密度。定義樣本點的近鄰樣本點的平均局部可達(dá)密度與樣本點的局部可達(dá)密度比值為局部異常因子，表達(dá)式為：

1.2 聯(lián)合損失函數(shù)

針對算法的三元輸入特性，本文選擇可以學(xué)習(xí)三元輸入樣本間的區(qū)分信息的鉸鏈損失函數(shù)。該損失函數(shù)通過對正負(fù)樣本對的輸出相似關(guān)系值進(jìn)行約束使得算法模型可以學(xué)習(xí)到更具辨識度的特征表達(dá)。具體而言，針對關(guān)系網(wǎng)絡(luò)后端輸出正負(fù)樣本對相似關(guān)系得分進(jìn)行約束，得到鉸鏈損失函數(shù)為：

式中m為閾值，該約束使得正樣本對之間的相似度關(guān)系得分需大于負(fù)樣本對之間的關(guān)系相似度得分。

為使三元組的訓(xùn)練過程更加高效，Hermans 等人[19]在行人重識別算法中提出一種三元組的挑選方法，稱為“batch hard”。具體來說就是在每個訓(xùn)練批次中，隨機選取P個類別，每個類別選取K個訓(xùn)練樣本組成PK個訓(xùn)練數(shù)據(jù)。對于每個參考樣本從相同類別中選取最為不相似的樣本作為正樣本，從不同類別中選取最為相似的作為負(fù)樣本，選出PK個三元訓(xùn)練樣本組。因此上式中損失函數(shù)變換為：

但是，基于“batch hard”的挑選方法沒有考慮到類內(nèi)樣本相似得分遠(yuǎn)低于類間樣本相似得分時會造成網(wǎng)絡(luò)收斂慢的問題。而通信調(diào)制信號類內(nèi)樣本數(shù)據(jù)由于信道誤差等情況會出現(xiàn)偏差過大的問題。因此，本文采取閾值約束解決此問題，通過對類內(nèi)樣本相似度設(shè)置閾值，在訓(xùn)練過程中剔除掉偏差較大的正樣本訓(xùn)練數(shù)據(jù)。最終損失函數(shù)定義為：

其中α為正樣本對相似度關(guān)系值約束閾值。

1.3 算法實現(xiàn)過程

本文算法實現(xiàn)過程分為訓(xùn)練過程和測試過程，具體步驟如下：

1.訓(xùn)練過程

1.1.訓(xùn)練樣本的特征映射

將輸入的訓(xùn)練樣本三元組通過三個權(quán)值參數(shù)共享的特征提取網(wǎng)絡(luò)中，提取最后一層LSTM 的輸出作為樣本的特征映射，記為fψ(X+)、fψ(X)、fψ(X-)。

1.2.正負(fù)樣本對特征融合

通過算子τ將正負(fù)樣本特征與參考樣本特征融合，得到正負(fù)樣本對的特征融合表示為(τ(fψ(X),fψ(X+)))、(τ(fψ(X),fψ(X-)))。其中算子τ表示為特征的級聯(lián)。

1.3.正負(fù)樣本對相似度計算

將特征融合后的正負(fù)樣本對輸入至參數(shù)共享的關(guān)系網(wǎng)絡(luò)中，計算正負(fù)樣本對的相似度關(guān)系分值分別為gφ(τ(fψ(X),fψ(X+)))、gφ(τ(fψ(X),fψ(X-)))。

1.4.網(wǎng)絡(luò)訓(xùn)練與參數(shù)更新

通過設(shè)置閾值選取合適的三元組樣本輸入，然后利用正負(fù)樣本對的相似度關(guān)系計算出損失函數(shù)，通過損失函數(shù)對模型的訓(xùn)練進(jìn)行約束。

2.測試過程

2.1.各個類別的類原型表達(dá)

首先從訓(xùn)練好的特征提取子網(wǎng)絡(luò)后端提取每個類別的特征表達(dá)，通過LOF算法剔除偏差較大的樣本數(shù)據(jù)，然后確定每個類別的特征中心作為該類的類原型。

2.2.測試樣本的類別確定

將測試樣本與每個類原型輸入至關(guān)系網(wǎng)絡(luò)中，選取相似度最大的類別作為測試樣本的類別識別。

2 算法性能仿真與分析

2.1 數(shù)據(jù)集與仿真環(huán)境

實驗中數(shù)據(jù)集采用DeepSig 的調(diào)制識別公開數(shù)據(jù)集，將數(shù)據(jù)集中的8PSK、AM-DSB、AM-SSB、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK、WBFM 11種調(diào)制方式，在-4 dB、18 dB信噪比的條件下，對每個調(diào)制樣式分別取240、360、480、600、720、840、1 200、1 800的訓(xùn)練樣本數(shù)量和100的測試樣本數(shù)量。

實驗硬件平臺基于Windows7，32 GB 內(nèi)存，NVDIA P4000顯卡的計算機。通過python中的Keras開源人工神經(jīng)網(wǎng)絡(luò)庫完成網(wǎng)絡(luò)的搭建、訓(xùn)練與測試的。

2.2 實驗參數(shù)設(shè)置

在模型優(yōu)化過程中選取Adam優(yōu)化算法，相較于隨機梯度下降算法，其具有更快的收斂速度和更高的算法穩(wěn)定性。實驗中使用優(yōu)化算法默認(rèn)超參數(shù)設(shè)置，并設(shè)置初始學(xué)習(xí)率為10-3和最小學(xué)習(xí)率為10-5，當(dāng)驗證損失值增加10%以上，學(xué)習(xí)率降低一半，選取驗證損失最低模型作為最終訓(xùn)練模型。

針對實驗過程每批次三元組訓(xùn)練集的構(gòu)造，每個類別隨機挑選與類別總數(shù)相同的11 個訓(xùn)練樣本組成121個三元組訓(xùn)練集。而對于實驗過程中其他參數(shù)設(shè)置則采用對比實驗，挑選算法達(dá)到最優(yōu)時個參數(shù)設(shè)置，其中聯(lián)合損失函數(shù)閾值約束設(shè)置為0.9，LOF 算法選取11 近鄰距離進(jìn)行計算，正樣本對相似度約束設(shè)置為0.5。

同時在訓(xùn)練過程中為避免出現(xiàn)過擬合的問題，本文還采用提前終止迭代算法（Early Stop Iteration，ESI）[20]使模型收斂至驗證集損失值最低點。

2.3 算法性能分析

2.3.1 三元組約束對算法性能提升

為驗證三分支孿生網(wǎng)絡(luò)作為特征提取子網(wǎng)絡(luò)對小樣本調(diào)制識別的性能影響，通過設(shè)置具有相同特征提取模塊的孿生網(wǎng)絡(luò)（Siamese Network，SN）作為基準(zhǔn)方法進(jìn)行多方面的對比實驗。首先對比二者訓(xùn)練過程中在相同訓(xùn)練樣本數(shù)量上的平均識別精度，得到實驗結(jié)果如表1所示。

表1 不同特征提取模塊對訓(xùn)練樣本量需求Table 1 Sample size requirements of different feature extraction modules

由表中結(jié)果，選取兩種模型結(jié)構(gòu)均已達(dá)到理想識別精度時所需的訓(xùn)練樣本量720，對比兩種模型結(jié)構(gòu)在不同信噪比條件下的平均識別率如圖5 所示；而圖6（a）、（b）分別顯示兩模型結(jié)構(gòu)在信噪比為0時的混淆矩陣。

圖5 不同模型的識別性能對比Fig.5 Comparison of recognition performance of different models

圖6 兩算法模型在信噪比為0時混淆矩陣Fig.6 Obfuscation matrix comparison of two algorithm models at SNR=0

由圖5、6可以看出，孿生三分支網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)時具有更優(yōu)的識別效果，主要優(yōu)勢體現(xiàn)在對于相似調(diào)制類別WBFM 和AM-DSB 之間識別準(zhǔn)確率的提升。主要原因在于孿生三分支網(wǎng)絡(luò)相較于二分支孿生網(wǎng)絡(luò)添加了對比約束分支結(jié)構(gòu)，可以在同一批次的訓(xùn)練過程中對正負(fù)樣本對同時進(jìn)行約束，學(xué)習(xí)更具細(xì)粒度差異的類間信息差異，提取更具區(qū)分度的樣本特征。

2.3.2 度量函數(shù)對識別性能的影響

為驗證度量函數(shù)的選取對算法性能的影響，使用常用距離度量函數(shù)歐式距離度量函數(shù)與余弦相似度作為實驗基準(zhǔn)方法，在本文算法的整體框架下替換后續(xù)關(guān)系網(wǎng)絡(luò)的非線性度量結(jié)構(gòu)，實驗結(jié)果如表2所示。

表2 不同度量方式的識別性能對比Table 2 Performance comparison between different measures

實驗結(jié)果表明，在本文算法框架下相較于固定歐式距離度量和余弦相似度度量函數(shù)，采用網(wǎng)絡(luò)進(jìn)行相似度度量識別性能分別提升了1.4和1.9個百分點，但是算法的復(fù)雜度也相應(yīng)有所增加。主要原因在于通過神經(jīng)網(wǎng)絡(luò)進(jìn)行相似度度量，度量網(wǎng)絡(luò)可以和特征提取網(wǎng)絡(luò)聯(lián)合訓(xùn)練，所提取的樣本特征同時滿足度量網(wǎng)絡(luò)的約束，網(wǎng)絡(luò)結(jié)構(gòu)也更加復(fù)雜；而固定的度量函數(shù)僅僅是對提取的正負(fù)樣本對特征進(jìn)行簡單的距離度量，識別性能過于依賴特征提取模塊所提取的特征。

2.3.3 LOF算法對識別性能的提升

本節(jié)針對LOF算法對識別性能進(jìn)行分析，與直接均值類原型表達(dá)的TSN-RN-AVG模型進(jìn)行對比實驗。實驗結(jié)果如表3所示。

表3 LOF算法的識別效果Table 3 Recognition effect of LOF algorithm

由表3可以得出，使用LOF算法剔除偏差的樣本數(shù)據(jù)后生成的類原型表達(dá)，相較于直接均值生成的類原型表達(dá)更加準(zhǔn)確、識別精度更高。雖然在本文實驗中識別精度提升有限，但是主要原因在于實驗中的調(diào)制識別數(shù)據(jù)集是在實驗室環(huán)境中采集的，環(huán)境噪聲與接收機噪聲相對于實際的環(huán)境中較低、偏差數(shù)據(jù)較少，對實驗影響有限。但是，基于LOF算法剔除偏差樣本對于實際電磁環(huán)境中的通信數(shù)據(jù)的識別有較大的實用性與性能提升。

2.3.4 不同小樣本模型對比分析

為驗證本文所提算法模型的性能，選取現(xiàn)階段較為流行的基于度量學(xué)習(xí)的小樣本識別模型Prototypical network[13]、Siamese network[14]、Relation network[15]作 為基準(zhǔn)方法進(jìn)行對比實驗，由于上述算法模型結(jié)構(gòu)均運用在圖像識別領(lǐng)域，其構(gòu)建的特征提取模塊不適用于通信信號的調(diào)制識別，因此在實驗過程中將本文特征提取模塊替代原文算法中的特征提取網(wǎng)絡(luò)結(jié)構(gòu)。同時為保證所有算法均可以有效收斂，選取單類樣本數(shù)量為840進(jìn)行實驗，對比實驗結(jié)果如表4所示。

由表4可知，本文所提算法模型在識別性能上相較于目前主流的基于度量學(xué)習(xí)的小樣本識別模型均有較大的提升，但是算法的復(fù)雜度也相應(yīng)有所增加，主要原因在于本文算法使用了三分支孿生網(wǎng)絡(luò)結(jié)構(gòu)作為特征提取模塊，極大提升了相似樣本的識別準(zhǔn)確率，但是在訓(xùn)練過程中針對每批次訓(xùn)練樣本均需挑選適合網(wǎng)絡(luò)訓(xùn)練的三元組樣本對，耗費時間資源。同時，使用神經(jīng)網(wǎng)絡(luò)對正負(fù)樣本對相似度進(jìn)行度量在提升了算法識別性能的同時增加了網(wǎng)絡(luò)參數(shù)，使得算法復(fù)雜度增加。

表4 不同小樣本算法模型的對比Table 4 Comparison of different small sample algorithm models

3 結(jié)束語

本文針對孿生網(wǎng)絡(luò)在小樣本調(diào)制識別中相似類別混淆問題，提出一種基于網(wǎng)絡(luò)度量的三分支孿生網(wǎng)絡(luò)調(diào)制識別算法。該算法特征提取模塊充分利用類內(nèi)與類間對比差異信息和通信信號的特性，學(xué)習(xí)到更深層和更具區(qū)分度的特征，同時為避免固定度量函數(shù)對算法性能的影響，采用神經(jīng)網(wǎng)絡(luò)訓(xùn)練一個非線性度量函數(shù)，使得提取的特征更好的契合度量函數(shù)。最后考慮到通信信號易受干擾的特性，使用了LOF算法剔除偏差較大的訓(xùn)練樣本，使得在測試過程中生成的類原型更加準(zhǔn)確，提升了算法性能。計算機仿真結(jié)果也驗證了本文所提算法在小樣本調(diào)制識別中的可行性和有效性。