利用新型卷積神經(jīng)網(wǎng)絡(luò)識別MPSK信號調(diào)制方式

王愛麗 張佳煒 姜開元 吳海濱 巖崛祐之

摘要：隨著人工智能技術(shù)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)越來越多地應(yīng)用到通信信號調(diào)制識別領(lǐng)域。針對數(shù)字信號在低信噪比的識別準(zhǔn)確率較低的問題，采用InceptionResNetV2網(wǎng)絡(luò)與遷移適配相結(jié)合的方法，研究了一種調(diào)制識別模型，稱之為InceptionResnetV2-TA，對MPSK信號的調(diào)制方式進(jìn)行識別。結(jié)果表明，信噪比為3 dB 9t，1nceptionResnetV2-TA對BPSK的識別率達(dá)到99.33%，比次優(yōu)模型InceptionResNetV2高出3%，，對QPSK的識別率達(dá)到95.33%，比InceptionResNetV2高出2%。對8PSK的識別率達(dá)到86.33%，比InceptionResNetV2高出5%。綜上，結(jié)合3遷移適配的In-ceptionResnetV2-TA，對BPSK、QPSK和8PSK在低信噪比的識別準(zhǔn)確率高于其他對比方法。同時驗(yàn)證了這種調(diào)制識別模型的有效性。

關(guān)鍵詞：調(diào)制識別;卷積神經(jīng)網(wǎng)絡(luò);遷移適配InceptionResNetV2

DOI：10.15938/j.jhust.2021.05.013

中圖分類號：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號：1007-2683（2021）05-0097-07

0 引言

無線通信技術(shù)的發(fā)展，經(jīng)歷了由模擬到數(shù)字、由單一到多元的多個階段，針對不同的應(yīng)用場景，隨之衍生出多種不同類型的信號調(diào)制方式。如今無線通信手段日趨多樣化，電磁環(huán)境日漸復(fù)雜。在協(xié)作通信條件下，確定信號的調(diào)制方式是獲取通信信號內(nèi)容的基礎(chǔ);在非協(xié)作環(huán)境中，調(diào)制識別作為信號檢測與信號解調(diào)之間的一項(xiàng)技術(shù)，其主要目的是確定待檢信號的調(diào)制方式，也是后續(xù)估計待檢信號參數(shù)（如載波頻率、碼元速率等）的決定性前提。調(diào)制識別在民用與軍事領(lǐng)域有著廣泛的應(yīng)用。

近年來，深度學(xué)習(xí)被引入到數(shù)字信號調(diào)制識別的研究中。牛國慶等[1]提出了一種將反向傳播神經(jīng)網(wǎng)絡(luò)和決策樹相結(jié)合的調(diào)制識別技術(shù)，該技術(shù)具有較高的平均識別率。黃媛媛等[2]通過構(gòu)建深度置信網(wǎng)絡(luò)，實(shí)現(xiàn)了對通信信號的調(diào)制識別。侯濤等[3]提出了一種基于深度學(xué)習(xí)的通信信號調(diào)制識別方法。該方法通過設(shè)計深層神經(jīng)網(wǎng)絡(luò)模型解決了端到端信號識別問題，從而簡化了人工特征提取的繁瑣過程。Peng等[4]提出以網(wǎng)格拓?fù)涞男问奖硎緮?shù)據(jù)，并與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合以完成調(diào)制信號的分類。Wang等[5]提出了一種基于星座圖的卷積神經(jīng)網(wǎng)絡(luò)識別算法來識別不同信號的調(diào)制方式。彭超然等[6]提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法。該方法對接收到的信號進(jìn)行預(yù)處理，生成星座圖，并使用星座圖的形狀作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入。利用訓(xùn)練后的網(wǎng)絡(luò)，模型可以對調(diào)制信號進(jìn)行分類和識別。

另外，Yang等[7]使用聚類算法提取和優(yōu)化信號的特征參數(shù)，通過分層算法訓(xùn)練支持向量機(jī)，提高了收斂速度和低信噪比時的識別性能，從而實(shí)現(xiàn)了信號調(diào)制識別。Li等[8]提出了一種使用聚類算法提取信號的特征參數(shù)，并通過可變梯度校正算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以實(shí)現(xiàn)信號的調(diào)制識別。Xu等[9]提出了一種基于星座圖的模糊分類算法，該算法以星座圖為輸入，通過模糊邏輯分析和處理系統(tǒng)對其進(jìn)行處理，實(shí)現(xiàn)對各種數(shù)字信號的調(diào)制識別。

上述算法的共同問題是在低信噪比下識別率低。因此，本文在InceptionResNetV2網(wǎng)絡(luò)中引入了遷移適配的思想，稱為InceptionResnetV2-TA，該網(wǎng)絡(luò)通過深層和并行網(wǎng)絡(luò)結(jié)構(gòu)充分提取輸入特征，以識別MPSK信號的調(diào)制方式，并提高在低SNR環(huán)境中信號的識別精度。

現(xiàn)有方法中多數(shù)是利用數(shù)學(xué)公式推導(dǎo)求得特征參數(shù)，再將特征參數(shù)送入分類器中進(jìn)而對信號的調(diào)制方式進(jìn)行識別，計算復(fù)雜度較高，且識別結(jié)果會因?yàn)樘卣鲄?shù)的選取而受到影響，特征參數(shù)選擇不合理會對結(jié)果帶來偏差。因此這類方法在識別性能方面不穩(wěn)定，沒有用來作為對比方法。而本文選取的對比方法主要為深度學(xué)習(xí)的方法。這幾種方法具備自主學(xué)習(xí)機(jī)制，能夠自動提取數(shù)據(jù)集樣本中攜帶的特征向量并進(jìn)行充分學(xué)習(xí)，在識別性能方面要優(yōu)于現(xiàn)有方法。因此選取這幾種方法進(jìn)行對比會更有價值，也更能突顯本文設(shè)計的方法的優(yōu)勢。

1 算法概述

InceptionResnetV2-TA算法包括3個步驟：預(yù)處理，特征提取和識別。InceptionResnetV2-TA算法的框圖如圖1所示。

在預(yù)處理操作中，通過正交解調(diào)待檢測的信號來獲得信號星座圖。在特征提取操作中，采用遷移適配的思想，從ImageNet數(shù)據(jù)集中隨機(jī)選擇12類圖像樣本，將其發(fā)送到InceptionResNetV2網(wǎng)絡(luò)完成訓(xùn)練，再保存訓(xùn)練權(quán)重。最后，將星座圖送入存儲權(quán)重的網(wǎng)絡(luò)中進(jìn)行進(jìn)一步訓(xùn)練，以用于獲取星座中的幅度和相位特征。在識別操作中，將網(wǎng)絡(luò)學(xué)習(xí)到的有效特征送到分類器，從而完成對數(shù)字信號調(diào)制方式的識別。

2 數(shù)字信號預(yù)處理

通過采樣，量化和編碼3個過程，將發(fā)送端的模擬信號轉(zhuǎn)換為基帶信號，然后通過頻帶發(fā)送到達(dá)接收端。由于該信號在傳輸過程中攜帶噪聲，因此在接收端獲得的信號是一個有噪聲的信號，其寫法如下：式中;Am為第m個符號的幅度值;Ts為符號間隔;ejθm為星座點(diǎn);fc為信號的載波頻率;θi為載波相位差且g（t）是矩形脈沖函數(shù);N為觀察時間T中的符號數(shù);n（t）為噪聲。

在數(shù)字通信中，星座圖是觀察信號幅度和相位的最直接方法。通過正交解調(diào)接收信號獲得。接收器接收到信號s（t）后，將信號分成兩個通道，并與兩個相位差為it/2的載波相乘，然后通過低通濾波器對高頻分量進(jìn)行濾波。最后，獲得兩個相對獨(dú)立的分量：同相（1）分量和正交（Q）分量。這兩個分量彼此正交并且是不相關(guān)的。這兩個分量通常以復(fù)數(shù)形式表示為a+jb，與復(fù)數(shù)平面上的一個點(diǎn)相對應(yīng)，這就是一個星座點(diǎn)。此外，每種類型的振幅相位調(diào)制信號具有用于表示這種調(diào)制方法的對應(yīng)點(diǎn)集，并且這些點(diǎn)集形成表示該信號的星座圖。模量表示信號的振幅變化，而相位表示信號的相位變化。將星座圖做歸一化處理，再送入InceptionResNetV2網(wǎng)絡(luò)以完成特征提取操作。

3 Inception ResNetV2網(wǎng)絡(luò)

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)都通過增加網(wǎng)絡(luò)深度來提高訓(xùn)練效果，但是增加層數(shù)會導(dǎo)致過度擬合，梯度消失，梯度爆炸等問題。解決方案是將完整連接更改為稀疏連接，但是硬件會優(yōu)化密集矩陣，因此對最優(yōu)局部稀疏結(jié)構(gòu)計算密集局部矩陣結(jié)構(gòu)，得到其初始結(jié)構(gòu)。InceptionResNetV2網(wǎng)絡(luò)來自GoogLeNet，其中的Inception模塊可以更有效地利用計算資源，并且可以在相同計算量下提取更多特征，從而提高訓(xùn)練效果。通過級聯(lián)操作，可以聚合具有不同內(nèi)核比例的特征圖，以提高網(wǎng)絡(luò)對比例和網(wǎng)絡(luò)寬度的適應(yīng)性，并提高資源利用率。由于所有卷積核都采用前一層作為輸入，5×5卷積核的計算量太大，因此前一層的輸出將合并到網(wǎng)絡(luò)套網(wǎng)絡(luò)的方法中。

Inception模塊使用1×1卷積有兩個目的：一是在相同大小的感受野上疊加更多的卷積，提取星座圖中更豐富的特征;另一個目的是減少維數(shù)和計算復(fù)雜度。在進(jìn)行3×3和5×5卷積之前，使用網(wǎng)絡(luò)中的1×1卷積進(jìn)行降維。其次，對多個大小的卷積執(zhí)行聚合操作，通過將稀疏矩陣分解為稠密矩陣來提高算法的收斂速度。

在傳統(tǒng)的卷積層中，輸入與某一尺度的卷積核進(jìn)行卷積（如3×3），輸出數(shù)據(jù)為固定維數(shù)（如256個特征），特征均勻分布在3×3的卷積核中。In-ception模塊提取星座圖中的幅度和相位特征在多個不同的尺度上映射，不再均勻分布。相反，具有高相關(guān)度的特征被組合到一起，低相關(guān)度或不相關(guān)的特征被弱化，使得輸出特征冗余相對較小，收斂速度較快。同時，網(wǎng)絡(luò)還增加了批處理規(guī)范化（BN）層。當(dāng)BN層作用于神經(jīng)網(wǎng)絡(luò)的某一層時，可以對每個小批量星座圖進(jìn)行歸一化處理，避免梯度消失[16]。

x=Norm（x，χ）（5）

另外，網(wǎng)絡(luò)在原始基礎(chǔ)上添加了殘差結(jié)構(gòu)。也就是說，將直連通道添加到網(wǎng)絡(luò)，使星座圖中的原始輸入信息可以直接傳輸?shù)较乱粚?，從而加快?xùn)練速度，防止梯度分散，降低網(wǎng)絡(luò)復(fù)雜性并確保網(wǎng)絡(luò)深度，從而不會降低性能[17]。ReLU被用作激活函數(shù)，并且網(wǎng)絡(luò)模型最后的全連接層用softmax完成分類。InceptionResNetV2網(wǎng)絡(luò)架構(gòu)如圖2所示。

4 結(jié)合遷移適配的MPSK信號調(diào)制識別

遷移學(xué)習(xí)是機(jī)器學(xué)習(xí)的重要分支，其目的是利用數(shù)據(jù)、任務(wù)或模型之間的相似性，將從源項(xiàng)目學(xué)到的知識遷移到目標(biāo)項(xiàng)目。與機(jī)器學(xué)習(xí)相比，遷移學(xué)習(xí)的優(yōu)點(diǎn)是：在數(shù)據(jù)分布中，可以服從不同的分布;在數(shù)據(jù)標(biāo)注中，不需要大量的數(shù)據(jù)標(biāo)注;在模型中，從訓(xùn)練模型獲得的特征和權(quán)重可用于訓(xùn)練新模型和完成新任務(wù)[10-12]。

遷移學(xué)習(xí)主要分為四類：基于樣本的、基于特征的、基于模型的和基于關(guān)系的遷移學(xué)習(xí)[13-15]。本文將InceptionResNetV2網(wǎng)絡(luò)與基于特征的遷移學(xué)習(xí)相結(jié)合，即從ImageNet數(shù)據(jù)集和星座圖中共享權(quán)重矩陣來進(jìn)行微調(diào)，并將遷移適配方法應(yīng)用于網(wǎng)絡(luò)。

基于特征的傳遞自適應(yīng)方法進(jìn)一步分為邊緣分布自適應(yīng)和條件分布自適應(yīng)。在邊緣分布自適應(yīng)中，為了減小邊緣分布Pα（xα）和Pβ（xβ）之間的差異，利用經(jīng)驗(yàn)最大平差（MMD）衡量不同概率分布的適應(yīng)程度。最小化Pα（xα）和Pβ（xβ）之間的距離以進(jìn)行調(diào)整。MMD定義如下：

φ：X→Ω是核空間中的無窮大非線性特征圖。根據(jù)泰勒定理，可以將φ擴(kuò)展為無窮級多項(xiàng)式級數(shù)，從而適應(yīng)不同概率分布下的各階統(tǒng)計量。

在條件分布自適應(yīng)中，最小化條件分布Qα（yα|xα）和Qβ（yβ|xβ）之間的差異對于分布自適應(yīng)的穩(wěn)定性非常重要。直接標(biāo)注學(xué)習(xí)用于獲得星座圖中的預(yù)標(biāo)記，然后獲得條件分布距離。當(dāng)分類器未知時，類后驗(yàn)概率Qα（yα|xα）和Qβ（yβ|xβ）難以擬合。然后，類條件分布Qα（yα|xα）和Qβ（yβ|xβ）匹配。利用星座圖中預(yù)先標(biāo)記的dB值和ImageNet數(shù)據(jù)集中的實(shí)際標(biāo)簽，星座圖γ∈{1，…，12}中的每一類可以用來獲得類條件分布Qα（xα|yα=γ）和Qβ（xβ|yβ=γ）。其中Qα（xα|yα=γ）和Qβ（xβ|yβ=γ）的距離可以使用式（3）得到。式中：Dα（γ）=}xi|xi∈Mα∧y（xi）=γ}為ImageNet中屬于γ類別的圖像集合;y（xi）為圖像xi的實(shí)際標(biāo)簽;Dβ（γ）={xj;xj∈Mβ∧y（xj）=γ|為星座圖中屬于γ類別的圖像集合，而y（xj）是星座圖xj的dB值。合并式（2）和（3），可以得到自適應(yīng)正則項(xiàng)：

通過最小化正則項(xiàng)，這兩種分布的任意階矩估計都可以適用于無窮階非線性特征映射。給定已標(biāo)記的ImageNet數(shù)據(jù)集Dα={（x1，y1），…，（xn，yn）}和未標(biāo)記的星座圖數(shù)據(jù)集Dβ={xn+1，yn+1}，滿足Fα=Fβ，Hα=Hβ，P（xα）≠P（xβ），Q（yα|xα）≠P（yβ|xβ）。由于星座圖中有12類圖像，因此在ImageNet數(shù)據(jù)集中隨機(jī)選擇12類圖像，將其送入Inception-ResNetV2網(wǎng)絡(luò)以完成訓(xùn)練任務(wù)。根據(jù)遷移適配原理，將通過訓(xùn)練獲得的權(quán)重矩陣應(yīng)用于星座圖中。

InceptionResNetV2網(wǎng)絡(luò)在學(xué)習(xí)特征F或分類模型f的同時，將邊緣分布P（xα）和P（xβ）最小化，并使條件分布Q（yα|xα）與P（yβ|xβ）之間的差異最小化。利用ImageNet數(shù)據(jù)集Dβ訓(xùn)練Inception-ResNetV2網(wǎng)絡(luò)，再將訓(xùn)練之后的網(wǎng)絡(luò)應(yīng)用到星座圖Dα之中。與直接使用ImageNet數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)相比，本文在ImageNet數(shù)據(jù)集中選擇了與星座圖中類別數(shù)相同的圖像來完成訓(xùn)練任務(wù)。然后，將所得的權(quán)重矩陣用于訓(xùn)練星座圖。最后，利用星座圖的正確分類來提高M(jìn)PSK信號調(diào)制方式的識別精度。

本文利用了這種卷積神經(jīng)網(wǎng)絡(luò)去識別PSK信號的調(diào)制方式。因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)機(jī)制，能夠?qū)?shù)據(jù)集樣本中的特征向量進(jìn)行自主學(xué)習(xí)并提取。本文所設(shè)計的InceptionResNetV2-TA方法，是在InceptionResNetV2方法基礎(chǔ)上加入了遷移適配，根據(jù)遷移識配原則先對網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練，以此獲得網(wǎng)絡(luò)權(quán)重優(yōu)化之后的訓(xùn)練模型。再利用該模型對PSK信號樣本進(jìn)行訓(xùn)練，自主學(xué)習(xí)樣本中攜帶的特征向量，進(jìn)而對PSK信號的調(diào)制方式進(jìn)行識別。

本文提出的這種方法相比于沒有結(jié)合遷移適配原則的InceptionResNetV2方法而言，優(yōu)勢在于，通過預(yù)訓(xùn)練可以獲得權(quán)重矩陣得到優(yōu)化的網(wǎng)絡(luò)模型。而利用InceptionResNetV2方法直接訓(xùn)練PSK信號時，網(wǎng)絡(luò)模型的初始權(quán)重是隨機(jī)生成的，沒有得到優(yōu)化，因此會影響最終的識別結(jié)果。

傳統(tǒng)方法，如基于高階累積量的方法，需要通過專家先推導(dǎo)復(fù)雜的數(shù)學(xué)公式得到特征參數(shù)，再對特征參數(shù)進(jìn)行設(shè)定閾值，根據(jù)閾值對PSK信號的調(diào)制方式進(jìn)行分類。而閾值是依靠經(jīng)驗(yàn)來設(shè)定的，因此會對識別結(jié)果帶來影響。

5 實(shí)驗(yàn)結(jié)果和分析

為了驗(yàn)證本文所提算法的有效性，利用Matlab仿真得到相移鍵控信號，以獲得BPSK，QPSK和8PSK在6種信噪比（范圍為1至6dB）下的星座圖。圖3至圖5是SNR為4dB時三種信號的星座圖。同時，搭建了Tensorflow-1.8.0+Keras-2.2.4框架來訓(xùn)陳InceptionResNetV2-TA網(wǎng)絡(luò)。實(shí)驗(yàn)所需的數(shù)據(jù)集包括訓(xùn)練集和測試集。通過訓(xùn)練網(wǎng)絡(luò)，可以對不同信噪比下的三種信號的星座圖進(jìn)行分類，從而正確識別出MPSK信號的調(diào)制方式。本節(jié)采用InceptionResNetV2-TA算法識別MPSK信號的調(diào)制方式。同時，將InceptionResNetV2[18]，Incep-tionV3[19]，ResNet50[20]，DenseNet121[21]和準(zhǔn)混和似然比（QHLRT-UB）[22]作為對比算法，評價指標(biāo)是對低信噪比下三種信號的星座圖的識別率。

這幾種方法在其他領(lǐng)域的分類問題中被廣泛使用并且有很好的表現(xiàn)。其中，InceptionResNetV2這種深度卷積神經(jīng)網(wǎng)絡(luò)模型，對圖像分類表現(xiàn)優(yōu)異，通過數(shù)據(jù)增強(qiáng)方法對數(shù)據(jù)集BreaKHis進(jìn)行實(shí)驗(yàn)，識別率基本達(dá)到80%以上，比大部分已有研究成果效果更優(yōu)。

InceptionV3這種網(wǎng)絡(luò)能夠?qū)?種球類圖像進(jìn)行分類。通過與其他分類器進(jìn)行比較后發(fā)現(xiàn)，這種網(wǎng)絡(luò)在六個類別上成功地達(dá)到了96.64%的平均分類準(zhǔn)確率，高于其他幾種分類器。

表1顯示了通過6種算法獲得的3種信號的識別準(zhǔn)確率的結(jié)果。從表中可以看出，Inception-ResNetV2-TA算法對3種信號的星座圖的識別率最高，識別效果明顯優(yōu)于其他幾種方法。在表1中，當(dāng)SNR為3dB時，BPSK、QPSK、8PSK的識別率達(dá)到99.33%、95.33%和86.33%，比InceptionResNetV2算法分別提高了2.67%、2.00%和5.00%。

6 結(jié)論

本文提出了InceptionResNetV2-TA算法，通過將遷移適配與InceptionResNetV2相結(jié)合，提高了MPSK信號的識別準(zhǔn)確率。實(shí)驗(yàn)表明，該算法在相移鍵控信號調(diào)制方式的識別中具有良好的識別性能。特別是在低SNR下，對BPSK、QPSK和8PSK三種信號調(diào)制方式的識別率高于其他對比算法。今后的工作重點(diǎn)是在低SNR下識別更多類型的數(shù)字信號。

參考文獻(xiàn)：

[1]牛國慶，姚秀娟，閆毅，等.基于神經(jīng)網(wǎng)絡(luò)的數(shù)?；旌闲盘栒{(diào)制識別算法[J].計算機(jī)工程，2016，42（4）：101.

[2]黃媛媛，張劍，周興建，等.應(yīng)用深度學(xué)習(xí)的信號解調(diào)[d].電訊技術(shù)，2017，57（7）：741.

[3]侯濤，鄭郁正.基于深度學(xué)習(xí)的通信信號調(diào)制方式識別[J].無線電工程，2019，49（9）：796.

[4]PENG Shengliang，JIANG Hanyu，WANG Huaxia.ModulationClassification Based on Signal Constellation Diagrams and DeepLearning[J].IEEE Transactions on Neural Networks and Leam-ing Systems，2019，30（3）：718.

[5]WANG Yu，LIU Miao，YANG Jie，et al.Data-Driven DeepLearning for Automatic Modulation Recognition in Cognitive Ra-dios[J].IEEE Transactions on Vehicular Technology，2019，68（4）：4074.

[6]彭超然，刁偉鶴，杜振宇.基于深度卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制方式識別[J].計算機(jī)測量與控制，2018，26（8）：222.

[7]YANG Faquan，YANG Ling，WANG Dong，et al.Method ofModulation Recognition Based on Combination Algorithm of K-means Clustering and Grading Training SVM[J].IEEE Transac-tions on China Communications，2018，15（12）：55.

[8]LI Zan，YANG Faquan，LI Hongyan，et al.Method of NeuralNetwork Modulation Recognition Based on Clustering and Polak-Ribiere Algorithm[J].IEEE Transactions on Journal of SystemsEngineering and Electronics，2014，25（5）：742.

[9]崔旭，熊剛.一種基于星座圖模糊分析的數(shù)字調(diào)制識別方法[J]·通信技術(shù)，2016，49（9）：1155.

[10]PAI-HENG H，F(xiàn)ENG-JU C，YEN-YU L.Learning Discrimina-tively Reconstructed Source Data for Object Recognition with FewExamples[J].IEEE Transactions on Image Processing，2016，25（8）：3518.

[11]SHAG Ling，ZHU Fan，LI Xuelong.Transfer Learning for VisualCategorization：A Survey[J].IEEE Transactions on Neural Net-works and Learning Systems，2015，26（5）：1019.

[12]YANG Liu，JINGLiping，YU Jian，et al.Learning TransferredWeights From Co-Occurrence Data for Heterogeneous TransferLearning[J].IEEE Transactions on Neural Networks and Learn-ing Systems，2016，27（11）：2187.

[13]LONG Mingsheng，WANG Jianmin，CAO Yue，et al.DeepLearning of Transferable Representation for Scalable Domain Ad-aptation[J].IEEE Transactions on Knowledge and Data Engi-neering，2016，28（8）：2027.

[14]SHAO Kun，ZHU Yuanheng，ZHAO Dongbin.StarCraft Mi-cromanagement with Reinforcement Learning and CurriculumTransfer Learning[J].IEEE Transactions on Emerging Topics inComputational Intelligence，2019，3（1）：73.

[15]LONG Mingsheng，WANG Jianmin，SUN Jiaguang，et al.DomainInvariant Transfer Kernel Learning[J].IEEE Transactions onKnowledge and Data Engineering，2015，27（6）：1519.

[16]IOFFE S，SZEGEDY C.Batch Normalization：Accelerating DeepNetwork Training by Reducing Internal Covariate Shift[C]//Pro-ceedings of the 32nd International Conference on Machine Learn-ing.2015，37：448.

[17]HE Kaiming，ZHANG Xiangyu，BEN Shaoqing，et al.Deep Be-sidual Learning for Image Recognition[C]// IEEE Transactions onCVPR，2016：770，

[18]劉靖雯;黃理燦.基于Inception-ResNet-V2的乳腺癌病理圖像識別研究[J].軟件導(dǎo)刊，2020，19（5）：225.

[19]Ketan Joshi，Vikas Tripathi，Chitransh Bose，et al.Robust SportsImage Classification Using InceptionV3 and Neural Networks[J].Computer Science.2020，167：2374.

[20]王恒，李霞，劉曉芳，等.基于ResNe150網(wǎng)絡(luò)的乳腺癌病理圖像分類研究[J].中國計量大學(xué)學(xué)報，2019，30（1）：78.

[21]蔣斌，涂文軒，楊超，等.基于DenseNet的復(fù)雜交通場景語義分割方法[J].模式識別與人工智能，2019，32（5）：472.

[22]HAMEED F，DOBRE 0，POPESCU D.On the Likelihood-basedApproach to Modulation Classification[J].IEEE Transactions onWireless Communications，2009，8（12）：5884.

（編樣：溫澤宇）

收稿日期：2020-09-20

基金項(xiàng)目：國家自然科學(xué)基金（61671190）.

作者簡介：王愛麗（1979-），女，副教授，碩士研究生導(dǎo)師;張佳煒（1995-），男，碩士研究生.

通信作者：吳海濱（1977-），男，教授，博士研究生導(dǎo)師，E-mail：woo@hrbust.edu.cn.