典型文献
基于元学习的小样本调制识别算法
文献摘要：
针对基于深度学习的调制识别算法对带标签样本需求量过大的问题,采用基于元学习思想的多任务训练策略,通过大量不同的任务训练网络来获取一种跨任务的信号识别能力,使得网络在面对新信号类别时仅需少量样本就能快速适应.为更全面地提取信号样本的特征,设计了一种由卷积神经网络和长短时记忆网络并联组成的混合特征并行网络,通过度量样本特征向量间距离的方式完成识别任务;并引入可同时考虑信号类内与类间距离的联合损失函数,以使信号样本特征在度量空间内的分布能更加紧凑,从而实现更高效的相似性比对.实验结果表明,该算法在仅有5个带标签信号样本条件下最高可达到88.43％的识别准确率.
文献关键词：
调制识别;元学习;小样本;联合损失函数
中图分类号：
作者姓名：
庞伊琼;许华;蒋磊;史蕴豪
作者机构：
空军工程大学信息与导航学院,西安,710077
文献出处：
引用格式：
[1]庞伊琼;许华;蒋磊;史蕴豪-.基于元学习的小样本调制识别算法)[J].空军工程大学学报,2022(05):77-82,89
A类：
B类：
元学习,小样本,调制识别,识别算法,量过大,学习思想,多任务,训练策略,信号识别,识别能力,新信号,少量样本,快速适应,取信,长短时记忆网络,联组,混合特征,并行网络,样本特征,特征向量,类间距离,联合损失函数,度量空间,加紧,紧凑,样本条件,识别准确率
AB值：
0.421486
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
