[发明专利]一种自动调制识别方法、装置、电子设备及存储介质

权利要求书

1.一种自动调制识别方法，其特征在于，包括：

获取待测信号样本、真实有样本类别数据和语义向量；所述语义向量，包括：有样本类别语义向量和零样本类别语义向量；所述获取语义向量，具体包括：

获取信号样本和语义向量提取模型；

将所述信号样本输入所述语义向量提取模型以获取所述语义向量；

所述语义向量提取模型包括通过输入信号样本的调制信号数据以得到调制信号编码输出的第一子模型，以及通过输入信号样本的语义描述数据以得到语义编码输出的第二子模型；其中，所述第一子模型包括卷积层和全连接层，所述第二子模型包括编码层、卷积层和全连接层；对不同调制信号数据进行编码，获得调制信号编码输出，卷积编码学习语义关系以获得语义矢量，而卷积层从所看到的类中获取特征矢量，在损失函数优化之后，获得所述语义向量；其中，编码操作函数表示为

其中，表示对信号样本的调制信号数据的编码，表示对信号样本的语义描述数据的编码，t表示语义向量的子集，s表示信号样本的子集；

获取生成对抗网络模型；所述生成对抗网络模型基于所述有样本类别语义向量训练得到；所述生成对抗网络模型，包括：生成器和判别器；

所述获取生成对抗网络模型；所述生成对抗网络模型基于所述有样本类别语义向量训练得到，具体包括：

将所述有样本类别语义向量输入所述生成器以生成有样本类别数据；

判断所述判别器是否能够区分所述有样本类别数据和所述真实有样本类别数据；

若否，则得到所述生成对抗网络模型；

将所述零样本类别语义向量输入所述生成对抗网络模型以生成零样本类别数据；

获取分类器模型；所述分类器模型基于所述真实有样本类别数据和所述零样本类别数据训练得到；

将所述待测信号样本输入所述分类器模型以得到识别结果。

2.根据权利要求1所述的自动调制识别方法，其特征在于，所述识别结果，包括：有样本类别调制模式和零样本类别调制模式；

所述将所述待测信号样本输入所述分类器模型以得到识别结果，具体包括：

将所述待测信号样本输入所述分类器模型；

利用所述分类器模型识别所述待测信号样本属于所述有样本类别调制模式或所述零样本类别调制模式。

3. 根据权利要求1所述的自动调制识别方法，其特征在于，所述将所述信号样本输入所述语义向量提取模型以获取所述语义向量，之后还包括：

利用联合嵌入损失优化所述语义向量和所述信号样本之间的测量关系；所述联合嵌入损失表示为

其中，N表示所述信号样本和所述语义向量的总数，表示0-1损失函数，y表示所述信号样本的类别标签，t表示所述语义向量的子集，s表示所述信号样本的子集，E表示均值操作，F表示编码操作。

4. 根据权利要求1所述的自动调制识别方法，其特征在于，所述得到所述生成对抗网络模型，之后还包括：

利用优化函数优化所述生成对抗网络模型；所述优化函数表示为

其中，表示属于真实有样本类别数据空间分布的数据，表示属于零样本类别数据空间分布的数据，表示梯度惩罚，λ表示惩罚系数，G表示所述生成器，D表示所述判别器，D(x)表示所述判别器的损失函数。

5.根据权利要求3所述的自动调制识别方法，其特征在于，所述分类器模型，包括：完全连接层和损失函数；所述损失函数表示为

其中，h表示交叉熵，f表示所述分类器模型，θ表示所述完全连接层的权重，表示所述真实有样本类别数据，表示所述零样本类别数据。