一个语义一致的Few-Shot调制识别框架用于物联网应用程序

科学领域:

• 无线通信无线通信
• 机器学习 机器学习
• 网络安全 网络安全

背景情况:

• 物联网 (IoT) 依赖于强大的信号识别来确保安全.
• 自动调制分类 (AMC) 对于检测杂物联网环境中的威胁至关重要.
• 标记数据的稀缺性阻碍了物联网安全中的传统机器学习方法.

研究的目的:

• 为了应对物联网信号分析中有限的标记数据的挑战.
• 为无线信号识别适应现有的少数射击学习 (FSL) 模型.
• 为了提高最先进的 (SOTA) FSL模型的信号调制识别性能.

主要方法:

• 引入了语义一致的信号预转换 (ScSP),一种新的参数化转换架构.
• 确保具有相同语义的信号以类似的方式表示.
• 集成SCSP与现有的SOTA FSL模型和深度学习骨干.

主要成果:

• ScSP显著提高了各种SOTA FSL模型的信号调制识别性能.
• 提出的方法证明了灵活性和与现有架构的兼容性.
• 即使使用有限的标记数据,也保持了高性能,这对物联网应用至关重要.

结论:

• 在无线信号领域,ScSP为增强FSL模型提供了有效的解决方案.
• 这种方法克服了传统FSL方法的局限性,这些方法不是为信号处理而设计的.
• 该技术提供了一种可扩展和适应的方法,用于提高物联网安全性和异常检测.