一种基于伪标签半监督学习的小样本调制识别算法

一种基于伪标签半监督学习的小样本调制识别算法

人工智能技术与咨询 

来源：《西北工业大学学报》，作者史蕴豪等

摘 要：针对有标签样本较少条件下的通信信号调制识别问题，提出了一种基于伪标签半监督学习技术的小样本调制方式分类算法，通过优选人工特征集、设计高性能分类器以及基于输出概率的伪标签数据选择方法，构建高效的伪标签标注系统，然后通过该伪标签标注系统与基于深度学习的信号分类方法配合，实现在少量有标签样本和大量无标签样本条件下的调制方式分类。仿真结果表明，对6种数字信号进行调制识别，在信噪比大于5 dB时，伪标签算法可将模型识别性能提高5%～10%，该算法设计简单，具有较大应用价值。

关 键 词：调制识别; 伪标签; 半监督学习

通信信号调制方式识别是通信侦察、认知电子战领域的关键技术之一，在实际战场环境中，由于敌我双方的非协作特性，使得在还原敌方通信信号、获取敌方情报信息之前必须进行调制方式识别，此外，通信信号调制方式识别也为后续的信号解调、比特流分析、协议识别、信号解密、灵巧干扰等提供了重要支撑。

调制识别技术发展至今，已逐渐形成两大类基于似然比的调制识别方法和基于特征的调制识别方法。基于似然比的调制识别方法主要是通过计算似然概率模型估计不同调制方式的概率，然后将各个信号代入检验，最后判定似然概率最大的为识别结果。基于似然比的调制识别算法主要分为3类[1-3]，但该类方法普适性差的缺点较为明显，由于概率密度函数都是针对特殊环境提出来的，因此参数微小的偏差和模型失配都会导致识别率大幅降低。基于特征的调制识别方法通过提取信号不同特征搭配分类算法从而做到对信号的识别，如文献[4]使用高阶累积量对8种数字信号进行识别，文献[5]混合高阶累积量与循环谱特征对信号进行分类，文献[6-7]使用信号熵特征对不同调制信号进行分类。但是基于人工提取特征的调制识别算法中，对特征区分度要求较高，一旦特征对于不同信号辨别性能差，识别模型效果就会显著下降，因此有必要对自动提取特征的方法进行研究。

近年来，深度学习在模式识别、计算机视觉等领域取得了显著突破，利用深度学习的方法自动提取信号特征并对信号调制方式进行识别也已经取得了不错的效果，O′Shea等[8-9]最早于2016年利用有监督深度学习技术实现调制方式识别，该论文直接使用卷积祌经网络(convolutional neural network,CNN)构建端到端的学习模型，成功对包括WBFM、DSB、BPSK、16QAM在内的11种数字或模拟调制方式进行了识别。Jeong等[10]学者在论文中提出了一种算法，利用短时傅里叶变换(short-time Fourier transform,STFT)将信号从时域转换为时频域，并通过深度卷积神经网络提取时频域特征，最终完成了对2-FSK、4-FSK、8-FSK等7种调制识别方式的识别，其在-4 dB的信噪比下仍有90%以上的识别正确率。Meng等[11]学者提出了一种联合噪声估计的调制识别算法，该研究提出了一种巧妙的网络结构，同时将原始信号数据和信噪比作为神经网络的输入，仿真结果显示这种算法在不同信噪比下、不同频偏下的识别成功率已经非常接近理论识别率的上限。文献[12]提出利用时频图的纹理信息进行调制识别，在大样本条件下，可取得良好的分类效果。Zhang等[13]利用卷积神经网络提取信号SPWVD时频图特征和BJD时频图特征并与大量手工特征融合对BPSK、QPSK，OFDM等8种调制方式进行识别，在-4 dB时仍有92.5%的识别准确率。

虽然基于深度学习的调制识别方法已经取得了非常显著的成果，但是国内外专家的研究重点都偏向于有监督深度学习方法，而有监督深度学习方法需要大量有标签信号样本作为支撑。但在实际应用中，一些敏感的军用通信信号由于受敌方保密要求的限制以及地理环境条件的制约，在平时只能获取十分有限的信号样本，而这些信号真正到了战场又会大量出现。因此，如何利用少量有标签信号结合大量无标签信号的小样本调制方式识别逐渐成了大家关注的重点方向之一。现阶段，国内外针对小样本调制识别的研究尚处于起步阶段，但在其他领域已有一些半监督学习算法出现。半监督学习解决的就是有标签样本数量较少情况下如何提升模型性能的问题，其核心思想为结合无标签数据进行优化。尽管无标签数据没有标签信息但是它们和有标签数据一样都是从相同的数据源独立同分布采样得到的，因此它们包含的关于数据分布的信息对优化模型大有裨益[14]。半监督学习方法主要包括自训练学习方法[15]、生成式学习方法[16]以及半监督支持向量机等[17]。

为了充分利用无标签信号解决小样本调制识别问题，本文提出了一种基于伪标签半监督学习的小样本调制识别模型。该模型通过优选人工特征集结合高性能分类器为无标签信号进行预测打上伪标签，然后利用深度学习类方法联合训练带标签样本与伪标签样本从而实现小样本调制识别。

1 小样本识别模型

本文采用基于伪标签的半监督学习方法，在仅有少量有标签信号样本的条件下进行调制方式识别。基于伪标签的半监督学习是一种增量算法，算法流程图如图1所示，在分类器训练部分，首先通过少量有标签样本提取优选人工特征送入高性能分类器中进行训练，将信号识别准确率提升到一个较高水准，此时若环境中存在大量无标签样本，