CN118694641B 基于自适应特征蒸馏原型回放的类增量调制识别方法 （中国人民解放军国防科技大学）

基于自适应特征蒸馏原型回放的类增量调本发明公开了一种基于自适应特征蒸馏原一个混合结构的深度神经网络对调制信号进行2S101，深度学习特征提取网络模型设计：针对调制S103，类增量学习模型的训练及超参数更新：设进行训练，原始模型的训练采用交叉熵损失函数计算的分类损失对原始模型参数进行更3--r"学生模型对于当前输入数据的预测输出，y,0与分别表示经过蒸馏系数以及归一化之后模型训练的整体损失为预测结果和实际标签的损失以及2.如权利要求1所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征块，其中卷积模块包括依次连接的第一二维卷积层、第一Dropout层和第一SeLU激活函数43.如权利要求1所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征同类别就近组合的原则将计算后的数据以及复制的标签4.如权利要求3所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征I5.如权利要求3所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征6.如权利要求1所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征5前任务阶段所有类别数量之和即参数num的值，计算参与训练的旧类样本被压缩之后每类7.如权利要求1所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征获取输入新的训练数据集X＝Xs,…,Xt、上一个任务之后保存的范例集P＝{P1,P2,…采用特征叠加的方法，在选择后面保存的样本提取的特征向量中按计算输入新类的每个样本的特征向量p(x),每个样本的特征向量p(x)与平均特征向将得到的新类范例集加入上一个任务的范例集中得到当前任务的最终范例集P＝{P1,8.如权利要求1所述的基于自适应特征蒸馏原型回放的类增量调制识别方法，其特征获取当前任务的范例集P＝{P1,P2,…Pt}和训练完的特征提取器mx→R",遍历范678之前的高斯核获取测试集中每个样本的调制类别。的剧烈漂移缓解对旧类特征的遗忘，不仅降低了内存的消耗也缓解了灾难性遗忘的问题，还设计了高效的特征提取网络实现调制类别的高精度[0015]图3是本发明实施例所述方法中增量学习任务及训练测试数据集划分方法的流程[0017]图5是本发明实施例所述方法中类增量学习模型的训练及超参数更新的方法的示9[0022]如图1所示，本发明实施公开了一种基于自适应特征蒸馏原型回放的类增量调制[0024]所述混合结构是指利用两种及两种以上的网络组成的从多方进行特征提取的神之前的高斯核获取测试集中每个样本的调制类别。差块网络后的输出与第一残差块的输入之和即为第一残差块的输出也为第二残差块的输入；特征提取网络包含3个残差模块，第三个残差模块的输出依次经过最大池化层模块、LSTM层模块以及过全连接层模块后得到当前数据样本[0036]以振幅(Amplitude)和相位(Phase)信息为例，计算出原始IQ两路信号的振幅90°。数据集所有调制类别对应的模型训练过程划分为n个任务，形成一个任务库{T0,T1,T2…更新模型输出层的输出向量维度为num；当δ不为0时，当前任务为Tδ,更新num等于[0055]具体来说任务训练数据集的更新过程为根据当前任务的范例集组成为P＝(P1,据进行如下式的组合得到当前任务的任务训练数据集R。2范数构造特征差异损失：[0068]模型训练的整体损失为预测结果和实际标签的损失以及自适应特征蒸馏损失的任务数据集中样本数据按照类别进行特征的提取即每个类别分开利用模型进行特征提取，[0077]最后，计算输入新类的每个样本的特征向量p(x),每个样本的特征向量与得到的新类范例集加入上一个任务的范例集中就可以得到当前任务的最终范例集P＝{P1,[0082]如图7所示，获取当前任务的范例集P＝{P1,P2,…Pt}和训练完的特征提取器qz→R",遍历范例集中每类调制方式所有的样本，分别计算每类平均特征向量并归p(x)依次与范例集中的所有平均特征向量μ={μ1,μ2,…μt}利用高斯核函数计算出最小