随着人工智能技术的迅猛发展，无线通信领域的信号处理范式正经历着深刻的智能化变革，推动电磁频谱这一关乎国家安全战略与现代数字经济命脉的核心资源管理迈向智能化新阶段。作为认知无线电、频谱监测及安全通信等关键场景的基石，自动调制识别（AMC）技术在多元应用需求与AI技术驱动下，扮演着连接物理层信号特征与高层决策指令的关键角色。然而，面对瞬息万变的电磁环境与未知信号的持续涌现，自动调制识别任务面临严峻挑战：基于深度学习的方案虽然在大规模标注数据集上表现优异，却普遍存在对标注数据依赖强、对新调制类型泛化能力弱、对变长信号适应性不足等固有局限。当遭遇未见过的调制类型或新环境信号时，现有模型往往需要耗费大量人力物力重新采集数据并完整训练。
为突破上述瓶颈，博匠算法团队通过引入电磁信号调制识别模型池，成功将多模型路由伯乐大模型的能力拓展至智能电磁频谱认知领域。团队深入调研并成功复现了融合元学习（Meta-Learning）与Transformer架构的先进算法框架——Meta-Transformer。该框架采用主-子（Main-Sub）Transformer编码器结构，结合元学习策略，支持少样本学习与变长信号自适应处理。团队在此基础上完成了工程化适配与性能调优，并在RML2018、DeepRadar2022等多个权威数据集上系统验证了该范式的有效性。
Meta-Transformer 的核心思想是构建一种“学会学习”的通用调制分类范式。通过 N-way K-shot 元训练策略，模型不再单纯记忆特定调制类型的特征，而是从源域数据中习得跨任务的通用元知识（Meta-Knowledge）与度量空间分布。这使得模型在面对完全未见（Unseen）的调制类型时，仅需极少量支持样本（Support Set）即可在嵌入空间中快速构建高精度的分类原型边界，实现少样本下的快速泛化；同时，结合主-子编码机制，动态适配非合作环境中变长信号输入的复杂场景。整体框架如图1所示，主要由以下三个关键组件构成：
总体流程：先在源数据集上训练主-子模型，掌握通用特征提取能力；随后仅用少量新样本即可快速适配至新调制类型，实现高效增量学习。
元训练的目标是让模型学会“如何从少量样本中快速提取特征并构建分类边界”，而非记忆具体调制类别。该过程通过模拟少样本任务实现，具体流程如下：
1)任务构造：每次从训练类别中随机抽取N个调制类别，每类选取K个IQ 信号样本作为支持集（用于构建原型），再取若干样本作为查询集。基于信号长度特征进行差异化处理：长信号由主编码器处理以学习全局依赖，短信号由子编码器处理以提取局部特征。
2)原型构建：支持集样本经对应编码器提取特征后，每个类别的原型即为其支持集样本特征向量的均值，代表该类别在特征空间中的“理想中心”。
3)距离度量与参数更新：查询样本与各类原型进行距离度量（如欧氏距离），通过优化使同类样本靠近、异类样本远离，从而更新编码器参数。
元测试面向从未见过的新调制类型，每类仅提供极少量样本（如 5-shot）。此时冻结元训练阶段得到的编码器参数，直接利用已习得的度量空间进行快速适配，具体流程如下：
1)新类原型构建：根据输入信号长度选择主编码器或子编码器进行处理，基于提供的少量支持样本构建新类原型。
2)分类决策：待测样本经同一编码器提取特征后，计算与各类原型（包括已知类和新类）的距离，取距离最小的类别作为预测结果。
该机制使得模型天然具备开放集识别能力，只需更新类原型即可识别新调制类型。
数据集覆盖了广泛的信噪比（SNR）范围（-12dB至+30dB）和调制类型，以模拟从恶劣到理想的真实电磁环境（详见表1）。
|
下一篇：
96G内存加持：实现边端部署大模型
为你推荐
|