买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：一种基于深度学习的增量调制识别模型生成方法，属无线通信的非协作通信领域。该模型包括0阶段及顺序排列的后续阶段,其中0阶段包含数据处理模块和原始网络训练模块；之后的每个阶段包含数据处理模块和增量学习模块；其中各个阶段中的数据处理模块与原始网络训练模块或增量学习模块相连接，该方法以数字调制信号为研究对象，通过数据处理模块将调制信号转换成可用于训练模型的形式来对模型进行增量训练，训练后更新模型使其能准确识别本阶段及本阶段以前的调制信号，减少了模型重新训练的时间，更贴近于实际应用场合。

主权项：1.一种基于深度学习的增量调制识别模型生成方法，该模型包括0阶段及顺序排列的后续阶段,其中0阶段包含数据处理模块和原始网络训练模块；之后的每个阶段包含数据处理模块和增量学习模块；其中各个阶段中的数据处理模块与原始网络训练模块或增量学习模块相连接，该方法的具体步骤如下：1数据处理；1数据处理模块将收集到的调制信号样本映射成星座图，得到样本集合其中xj表示在第i阶段的样本数据，Si表示在第i阶段的样本总数；2根据样本集合中每一个样本xj的种类，添加标签yj，生成第i阶段数据集表示xj是n维向量，表示yj是Mi维向量，其中n表示样本的维度，Mi表示Di中样本的种类数目，设Di,m是Di中第m类数据的集合，2原始网络训练：①原始网络训练模块接收来自数据处理模块的数据，先初始化0阶段的内存数据集P0，在0阶段中内存数据集中没有样本，令其为空集即②根据0阶段数据集D0包含的种类数目M0初始化识别模型；使用神经网络作为分类模型，设第i阶段的模型为其中，Li是阶段i神经网络的层数，θi表示阶段i神经网络的参数集合，表示阶段i神经网络第0层到第Li层的映射关系，即输入到输出的映射关系，Nl表示第l层的输出维度，表示维度为N0的向量到维度为的向量映射，符号表示向量维度的转换；表示阶段i神经网络的输入，其中，符号∈表示集合中的属于关系，ri,0经过神经网络模型φi可得到阶段i神经网络的输出因此，0阶段的初始模型为③将D0中的样本输入0阶段的初始模型φ0,0，φ0,0输出为可得到0阶段的损失为： ④使用SGD算法训练模型，最小化0阶段的损失L0，生成训练好的调制识别模型φ0；3增量学习；a增量学习模块接收来自数据处理模块输入的数据集Di，上一阶段的输入数据集Di-1和上一阶段输出的识别模型φi-1来生成本阶段的识别模型φi，根据输入的φi-1和Di-1，对阶段i-1的内存数据集Pi-1进行更新，输出更新后的内存数据集Pi，更新的具体步骤如下：1从φi-1中分离出神经网络的特征提取部分，将包含Li-1层的神经网络中的前Li-1-2层看作特征提取部器，将神经网络的最后一个全连接层即第Li-1-1层及softmax层即第Li-1层用作分类，特征提取器中只具有φi-1中前Li-2层的参数阶段i的特征提取器2将数据集Di-1中的每类数据输入得到Di-1中每一类数据的均值向量，其中，第m类数据的均值向量为：最终求出均值向量集合3从Di-1中的每类数据选取k个与均值向量μi-1,m最接近的样本，将其组合得到代表性样本集合其中，xj,m表示Di-1中第m类数据的第j个样本；4将代表性样本集合加入内存数据集Pi-1中得到内存数据集Pi，设λ＝M0+...+Mi-1表示从阶段0到阶段i-1到达的总的数据种类，Pi中包含的样本总数为：SP,i＝λ×k；b将Pi中的样本和Di中的样本混合，得到混合数据集εi；c根据输入的Di包含的种类数目Mi，修改φi-1最后一层的输出节点个数令其为λ+Mi，得到阶段i的初始模型φi,0；d修改φi,0，在φi,0的最后一层前插入一层做线性变换操作，变换系数取决于温度参数T，修改后的模型为表示第i阶段在温度参数T下所使用的神经网络，具有Li+1层，最后一层的输出用表示；e将εi中的样本送到模型中，并将输出值作为蒸馏标签加入εi，生成新的混合数据集其中包含从阶段0到阶段i-1到达的每类数据中的k个样本和Di中的所有样本；f样本xj输入模型中能得到模型的最后一层输出和logits输出将logits输出送入softmax函数做归一化处理，可得到对样本xj的预测概率ypred,j，因此，将ε′i中所有样本的集合输入模型中，可得到神经网络的最后一层输出和对的预测概率集合g计算阶段i的损失：Liθi＝αLhard+βLsoft2其中，是交叉熵损失，是蒸馏损失，α和β分别表示交叉熵损失和蒸馏损失的权重，Liθi称为交叉-蒸馏损失；h使用SGD算法最小化公式2以训练模型，得到阶段i在温度参数T下训练好的神经网络删除中的倒数第二层，生成调制识别模型φi。

全文数据：

权利要求：

百度查询： 山东大学 一种基于深度学习的增量调制识别模型生成方法