一種物聯網中元策略學習傳輸模式識別技術研究

修思瑞　周小林　王寶?！《艅?/p>

摘? 要： 分析了一種物聯網中元策略學習傳輸模式識別方法.采用階段式元學習（ML）神經網絡構成元學習器，利用數據增強（DA）技術對圖像進行預處理，決策驗證等多個模塊被用于協作識別，能夠有效地抵抗惡劣環境對信號造成的影響.理論分析和仿真結果證明了該調制模式識別方法的有效性.

關鍵詞： 自動調制識別; 物聯網; 元學習（ML）; 數據增強（DA）

中圖分類號： TP 311??? 文獻標志碼： 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

信號調制方式日益復雜，自動調制識別（AMR）的高度智能化，是構建智能傳感器的重要組成部分，也是建立自適應網絡，提供高容量自適應調制傳輸的基礎.現有基于機器學習的AMR研究工作已經取得了較高的準確性，但在分類器和調整參數方面，算法執行的成本很高，且計算復雜度也較高，只能在已經訓練的種類范圍內進行提前識別，仍不具備真正的自主識別能力.

隨著機器學習的發展，元學習（ML）神經網絡逐漸進入人們的視野.有別于傳統的訓練網絡，其優勢在于使用少量的訓練樣本即可解決新的學習任務，如何構建ML神經網絡服務于AMR技術成為了研究的關鍵.

針對以上背景，本文作者研究了一種物聯網中元策略學習傳輸模式識別方法.對ML神經網絡進行階段化訓練，以此簡化訓練過程，降低復雜度.為了能夠應對低信噪比的惡劣環境，將接收信號的星座圖作為分類特征，利用階段式ML神經網絡對預處理圖像進行訓練及測試分類，賦予分類器更好的自學能力，得到初步的調制識別結果;對初步的識別結果進行決策分類，以最優分類結果為輸出，提高穩健性和準確性.實驗結果表明，在低信噪比環境下，多模塊協同融合后，系統的識別精度仍然能夠高達91.5%，并且本方法訓練樣本較少，訓練成本較低，復雜度較低，易于實現，為AMR的發展提供了新的方案.

1? 多模塊協同的ML調制模式識別系統

圖1是多模塊協同的ML調制模式識別系統模型圖.首先利用信號發生器生成個調制時間信號（）～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，并對圖像進行預處理.利用數據增強（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°為步幅旋轉類別.在階段式ML分類器中，采用訓練樣本逐次遞增的方式進行階段式訓練，在保證正確率的同時，降低訓練時長.最后通過決策驗證模塊輸出識別調制類型～A并將識別準確率高的結果存儲，為更新元學習器提供訓練集的儲備，形成多模塊協同識別調制模式.

階段式神經網絡

技術

決策驗證模塊

2? 仿真和分析

本系統中，主要針對14種不同調制階數的數字調制信號進行調制模式識別，整個實驗仿真在低信噪比環境下進行信號采集及識別訓練，以正交頻分復用（OFDM）調制信號進行傳輸，盡可能模擬真實環境，生成的OFDM調制信號參數設置為：子載波數為512，CP長度為32，OFDM符號數為100，直流偏置值為7 dB.

圖3顯示了DA對系統識別精度的影響.對圖像進行預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，對惡劣環境下的信號調制識別提供了幫助.

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

3? 結 論

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

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.

（責任編輯：包震宇，顧浩然）