本发明涉及通信，具体涉及一种小样本无线信号半监督智能精确识别方法。
背景技术：
1、无线信号识别是无线智能通信中的关键技术，它通过学习信号的独特特征来识别不同的调制类型和接入方式。随着6g研究的深入，智能通信技术作为6g网络的重要组成部分，亟需进一步研究。其中，调制方式识别和接入方式识别等无线信号识别技术尤为重要。无线信号识别已在军事和民用领域得到广泛应用。在军事上，它有助于获取敌方信息和生成干扰；在民用上，它能确保正确选择解调方式。现有无线信号识别方法可分为模型驱动和数据驱动两类。模型驱动方法如基于似然函数，通过比较统计量判断信号类型，但计算复杂，识别效果一般，尤其是在低信噪比下准确度较低。数据驱动方法如深度学习，通过学习从大数据中提取特征，分类性能较好，但需要大量标注样本。总体来说，随着通信环境日益复杂，数据驱动方法由于学习能力强，分类准确性高，适合处理动态复杂场景，是无线信号识别的发展趋势。
2、数据驱动的无线信号识别方法因其强大的特征学习能力而受到广泛关注。tim o’shea等人在发表的论文“over the air deep learning based radio signalclassification”(ieee j.sel.topics signal process.,2018)中提出了残差神经网络，通过残差学习结构，该网络能够缓解训练深度网络时的过拟合问题，然而该模型严重依赖于大量的标记数据并需要花费大量的计算资源。lu yuan等人在其发表的论文“amultiscale cnn framework for wireless technique classification in internet ofthings”(ieee internet of things journal 9(12),10366-10367)中提出了一种基于多尺度网络的智能接入方式识别网络模型，通过多尺度模块来捕获更高的抽象特征，可以实现更好的分类性能和更高的收敛速度。电子科技大学提出的专利申请“一种改进的深度调制识别网络模型”(申请号cn201910650582.0申请公布号cn110503185b)公布了一种改进的深度调制识别网络模型，通过水平堆叠多个resnet模块结构，将改进的残差模型resnet应用于深度调制识别中，在同等训练复杂度的情况下能大大提高识别性能。
3、上述基于数据驱动的无线信号识别方法需要大量标记样本用于训练，在实际复杂通信系统中难以获取充足的标记数据。此外，利用少量标记样本对复杂的神经网络模型进行训练，容易陷入过拟合风险。因此，亟需开发小样本条件下的无线信号智能识别方法。
4、公开号为cn116521863a的发明中公开了一种基于半监督学习的标签抗噪文本分类方法，结合混合匹配算法对少量标签进行处理。然而，由于通信信号的特殊性，小样本条件下的信号识别容易受到环境噪声的影响，使得信号识别变得更加困难。因此，亟需构建通用的信号识别模型，以便提取易区分的信号特征；同时，利用无线环境中大量无标记样本作为辅助解决小样本情况下的过拟合难题。
技术实现思路
1、本发明的目的是为了提出一种小样本无线信号半监督智能精确识别方法，针对无线通信信号的特性，对软阈值函数进行修正，在去噪时能够有效保留部分有用的无线信号特征，在此基础上，通过少量已标注的样本进行半监督学习，显著提升了小样本环境下的通信信号识别准确率，同时降低过拟合风险，并减少对大量标注样本的依赖，特别适用于样本稀缺的通信环境。
2、为实现上述技术目的，本发明采取的技术方案为：
3、一种小样本无线信号半监督智能精确识别方法，所述智能精确识别方法包括以下步骤：
4、s1，采集无线信号数据，将无线信号识别问题视为一个c类假设检验问题；
5、s2，根据通信信号的特点以及不同任务类型，采用编码表示信号的类别，分别针对调制方式识别和接入方式识别这两种任务构建不同的类别标记向量；
6、s3，基于深度残差网络，采用修正后的软阈值函数作为收缩模块添加到残差网络中，使信号特征的绝对值小于阈值时保留部分有用的无线信号特征，设计并构建用于通信信号的通用识别模型；
7、s4，使用有限的已标记数据结合未标记数据进行半监督混合训练；
8、s5，判断当前训练时期是否达到最大训练时期数，若是，则执行步骤s6，若否，将训练迭代次数加一后反悔步骤s4，继续训练通用识别模型；
9、s6，将测试集数据输入通用识别模型，输出分类结果。
10、步骤s1中，将无线信号识别问题视为一个c类假设检验问题是指：
11、将第c次调制假设下的接收信号表示为xc(n)＝sc(n)+ωc(n)，其中，sc(n)表示第c种调制方式的发射信号的第n个采样点，xc(n)表示第c种调制方式的接收信号的第n个采样点，
12、ωc(n)表示均值为0，方差为σ2的加性高斯白噪声；将接收信号表示为i/q分量组成的向量形式，xc＝ic+qc，其中xc表示xc(n)的向量形式，ic和qc分别表示信号的同相和正交分量；基于i/q信号样本，在c类调制方式中做出判决。
13、步骤s2进一步包括：
14、针对调制方式识别，选择am-ssb,cpfsk,qpsk,gfsk,pam4,qam16,wbfm,8psk,qam64,am-dsb,bpsk这十一种调制方式作为识别对象；针对接入方式识别，选择lte,wi-fi和dvb-t这三种不同的接入方式作为识别对象；
15、分别针对调制方式识别和接入方式识别两种任务构建不同的类别标记向量；采用n位二进制数表示n个类别，每种类别都由一位对其进行表示，对应的那一位数为1，其余各位为0；对于调制方式识别，采用11位编码表示；对于接入方式识别，采用3编码表示。
16、步骤s3中，所述通用识别模型包括三个残差堆叠模块、全连接层和分类器；
17、所述残差堆叠模块包括依次连接的1×1内核的卷积层、两个残差收缩单元和最大池化层，1×1内核的卷积层用于改变通道数量和聚合来自前一层的信息，两个残差收缩单元对聚合的来自前一层的信息进行处理以提取特征，最大池化层用于减小提取的特征图的宽度；
18、所述残差收缩单元包括修正收缩模块，修正收缩模块结合通道层面的修正阈值操作，将输入的特征图x通过绝对值运算后接全局平均池化，使特征图x被展平成一个一维向量，生成的一维向量被传入全连接层，全连接层包含多个神经元，数量等于特征图x的通道数。
19、步骤s3中，所述修正收缩模块采用修正后的软阈值函数对特征进行去噪处理；修正后的软阈值函数为：
20、
21、
22、式中，τ是阈值，x表示输入特征。
23、步骤s4进一步包括：
24、假设有一批标记的示例x和一个同样大小的未标记批次u，利用混合匹配算法生成一批经过处理的增强标记示例和带有猜测标记的一批增强的未标记示例和分别为用于计算标记和未标记的损失项：
25、
26、其中，t,k,α为超参数；
27、对标记和无标记样本同时进行数据增强：对于每个标记样本xb∈x，通过应用随机扩增函数生成扩充数据通过扩增函数生成k个无标记扩充样本对于u中的每个无标记样本u，为其生成伪标记；伪标记生成包括：
28、计算得到无标记样本ub的所有k个扩充的模型预测的类分布的平均值为：
29、
30、式中，pmodel为模型预测的分布，θ为模型参数，y为预测结果；
31、引入标记一致化操作，计算得到：
32、
33、其中为猜测的伪标记，p(y)为真实标记，为模型预测的标记；
34、应用锐化函数来减少熵平均预测下的标记分布，锐化函数为：
35、
36、其中p是输入分类分布，t是一个超参数的输出，l表示样本数量，i,j分别表示样本序号；当温度趋于零时，sharpen(p,t)将接近独热编码分布；采用对扩充数据ub进行预测；
37、混合算法对于一对具有相应标记分布(x1,p1),(x2,p2)的两个示例，(x',p')的计算如下：
38、
39、其中λ为从beta分布中抽取的值，α为对应的超参数，max为取最大值函数，(x1,p1),(x2,p2)均为样本和标记对，(x',p')为混合后的样本和标记对；
40、将所有的增强标记样本中所有带有标记和所有带有猜测标记的无标记样本表示为集合：
41、
42、
43、混合集合生成作为混合匹配算法的数据源；计算混合算法并将结果添加到通过将变成损失函数表达为：
44、
45、
46、
47、其中，h为交叉熵损失函数，和分别表示标记样本和无标记样本的损失函数，为无标记样本的权重，x、u和y分别为标记样本、无标记样本及对应的标签，p和q为真实标签和伪标签的概率分布，pmodel为预测模型，θ为模型参数。
48、与现有技术相比，本发明的有益效果如下：
49、第一，本发明的小样本无线信号半监督智能精确识别方法，引入模块化的半监督信号识别方法，通过无线信号数据扩增、伪标记猜测及混合等技术结合小样本标记样本与大量无标记样本进行混合训练，相比于传统的深度学习信号识别框架，减少了对标记训练样本量的依赖。
50、第二，本发明的小样本无线信号半监督智能精确识别方法，设计的通用的信号识别模型具有更低模型复杂度，更少的模型可计算参数，在保证性能的同时，提升了模型训练速度，为实际通信场景中的实时性需求提供了保障。
51、第三，本发明的小样本无线信号半监督智能精确识别方法，设计的通用的信号识别模型的网络结构能够学习到具有判别性的深度信号特征，帮助模型减轻环境噪声对信号识别准确度的影响，显著提升低信噪比情况下的信号识别准确度。
1.一种小样本无线信号半监督智能精确识别方法，其特征在于，所述智能精确识别方法包括以下步骤：
2.根据权利要求1所述的小样本无线信号半监督智能精确识别方法，其特征在于，步骤s1中，将无线信号识别问题视为一个c类假设检验问题是指：
3.根据权利要求1所述的小样本无线信号半监督智能精确识别方法，其特征在于，步骤s2进一步包括：
4.根据权利要求1所述的小样本无线信号半监督智能精确识别方法，其特征在于，步骤s3中，所述通用识别模型包括三个残差堆叠模块、全连接层和分类器；
5.根据权利要求4所述的小样本无线信号半监督智能精确识别方法，其特征在于，步骤s3中，所述修正收缩模块采用修正后的软阈值函数对特征进行去噪处理；修正后的软阈值函数为：
6.根据权利要求4所述的小样本无线信号半监督智能精确识别方法，其特征在于，步骤s4进一步包括：
