冯 磊，蒋 磊，许 华，苟泽中

（空军工程大学信息与导航学院，西安 710077）

0 概述

自从2012 年Hinton 团队的深度卷积神经网络AlexNet 在ImageNet 挑战赛上获得冠军后［1］，深度学习技术得到快速发展，各种针对语音识别和图像分类任务的新型深度网络被不断提出并取得了很好的处理效果，而基于深度学习技术的通信信号调制识别方法也成为当前国内外的研究热点。文献［2］对基于手工特征与卷积神经网络（Convolutional Neural Network，CNN）提取特征的通信信号调制识别方法进行比较，实验结果证明了CNN 对于信号特征有较强的表征能力。文献［3］对通信信号进行预处理后将时频图作为CNN 的样本输入，该方法取得了较好的识别效果。文献［4］将手工特征与CNN 提取特征相融合，提高了低信噪比条件下的信号识别准确率。然而传统基于CNN 的深度学习方法存在对训练样本需求量大的问题，在很多无法提供足够丰富样本量的应用场景下，深度学习网络无法进行有效收敛，导致其在小样本条件下的通信信号调制样式识别中受到了一定的限制。

目前，研究人员通常使用数据增强、基于迁移学习的元学习以及度量学习等方法解决小样本学习［5］问题。数据增强方法通过扩充训练样本集［6］和构造特征［7-8］来有效缓解过拟合现象，但由于生成的样本或构造的特征相似度较高无法完全解决过拟合问题。基于迁移学习的元学习方法［9-11］通过迁移其他任务上的权值网络实现小样本条件下新任务的快速学习，常用方法包括学习最优的初始化条件、迁移梯度更新策略或通过循环神经网络（Recurrent Neural Network，RNN）构建外部存储器。……