一种面向无线信号识别的多智能体协同配置方法

本发明涉及无线信号识别，具体涉及一种面向无线信号识别的多智能体协同配置方法。

背景技术：

1、无线信号识别是智能通信、频谱共享和无线安全的重要支撑技术，能够为频谱管理、设备认证、异常检测等任务提供关键能力。随着深度学习的发展，基于数据驱动的无线信号识别方法取得了较好效果，但其性能高度依赖于完整的处理流水线配置，通常包括数据预处理、表征选择、数据增强以及网络架构设计等环节，而不同任务和不同数据集往往需要不同的流水线组合。手工设计这类流水线不仅高度依赖领域专家经验，而且调参成本高、迭代周期长，往往难以在精度与效率之间取得理想平衡。

2、现有自动化设计方法多采用传统搜索范式，例如进化算法、强化学习或梯度型搜索等，这类方法通常依赖预先定义的搜索空间，虽然能够在一定范围内进行优化，但其搜索边界相对固定，难以充分利用领域知识，也较难对最终方案的生成过程作出清晰解释。与此同时，尽管近年来基于大语言模型的智能体方法开始应用于自动化设计，但已有研究更多集中于已有处理流程的参数级优化，或者其他领域的设计任务，对无线信号识别端到端流水线的协同搜索仍明显不足。特别是对于无线信号这类离散时序数据，输入表征选择往往至关重要，而这一环节在很多现有方法中仍未得到充分自动化支持。

3、因此，亟需一种能够将无线信号的信噪比分布、频偏、相位扰动、采样率、占用带宽和部署约束等状态信息实际作用于候选流水线生成与搜索过程的方法；同时需要解决多流水线阶段同时改变时收益难以归因、历史经验跨任务直接复用可靠性不足、以及通用蒙特卡洛树搜索容易生成数据域或张量形状不兼容配置的问题，从而在有限训练评估预算内提高有效候选比例和低信噪比鲁棒性。

技术实现思路

1、针对现有技术所存在的上述缺点，本发明提供了一种面向无线信号识别的多智能体协同配置方法，能够有效解决现有技术中无线信号识别流水线设计依赖人工经验、候选配置之间的物理兼容性难以保证、多模块同时改变时收益无法准确归因，以及通用树搜索未利用无线信号状态导致无效搜索比例高的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、本发明提供一种面向无线信号识别的多智能体协同配置方法，至少包括：

4、提取无线信号任务状态并构建层级配置搜索树，层级配置搜索树中的搜索节点保存完整配置以及预处理、表征、增强和网络架构阶段的中间状态；

5、规划智能体接收无线信号任务状态、当前节点各信噪比区间准确率、资源消耗以及历史边收益，由被选中的专用智能体输出原子动作，原子动作改变一个阶段配置；

6、读取父节点中间状态和原子动作，根据操作域、张量形状、处理顺序、标签保持性和设备约束执行兼容性总判定，兼容性总判定通过时执行配置扩展生成子配置；

7、通过兼容性判定的子配置执行单因素反事实配对评价，使父配置与子配置采用相同的训练集、验证集、批次大小、优化器、学习率、训练轮数和随机种子，获得配对收益、分区间收益向量和资源变化；

8、将任务状态、原子动作、兼容性结果、分区间收益和资源变化编码为经验条目，构建任务条件化经验库并更新经验可靠度，基于更新后的经验可靠度迭代搜索得到目标流水线。

9、进一步地，规划智能体确定待优化阶段并由被选中的专用智能体输出原子动作的过程包括：

10、规划智能体接收无线信号任务状态、当前节点各信噪比区间准确率、资源消耗以及历史边收益；

11、低信噪比区间准确率低于其他信噪比区间准确率或者对信噪比分层鲁棒性能提升贡献不足时，规划智能体优先向预处理智能体、表征智能体或增强智能体发送鲁棒性改进目标；

12、资源约束违例时，规划智能体优先向网络架构智能体发送结构压缩目标；

13、被选中的专用智能体根据鲁棒性改进目标或结构压缩目标输出原子动作。

14、进一步地，原子动作改变一个阶段配置的过程包括：

15、原子动作包括阶段编号、操作类型和操作参数；

16、根据阶段编号确定预处理、表征、增强和网络架构中的一个阶段，根据操作类型和操作参数改变对应阶段配置；

17、原子动作对应的阶段配置发生改变，另外三个阶段配置保持不变，使父配置与子配置之间仅存在一个阶段配置差异，即阶段差异数为1。

18、进一步地，执行兼容性总判定的过程包括：

19、读取父节点中间状态和原子动作，分别获得操作域、张量形状、处理顺序、标签保持性和设备约束五个子判定的判定结果；

20、五个子判定的判定结果分别取0或1，将五个子判定的判定结果相乘获得兼容性总判定的判定结果；

21、任一个子判定的判定结果为0时，兼容性总判定的判定结果为0，不执行配置扩展；

22、五个子判定的判定结果均为1时，兼容性总判定的判定结果为1，执行配置扩展。

23、进一步地，操作域、张量形状和标签保持性的判定过程包括：

24、采用随机频域掩码时，随机频域掩码的作用对象为频谱或时频表征；

25、输入表征由iq双通道改变为短时傅里叶时频图时，网络输入层同步满足二维时频张量尺寸要求；

26、增强操作为频偏注入、相位扰动、采样率偏差或iq不均衡时，增强操作的参数范围依据无线信号任务状态中的相应统计量确定，并验证增强前后标签保持条件；

27、兼容性判定不通过时不启动模型训练，记录失败类型。

28、进一步地，对通过兼容性判定的子配置执行单因素反事实配对评价的过程包括：

29、对通过兼容性判定的子配置进行模型构建和训练；

30、父配置与子配置采用相同的训练集、验证集、批次大小、优化器、学习率、训练轮数和随机种子；

31、分别计算父配置与子配置在各信噪比区间的准确率、flops、参数量和时延；

32、根据父配置与子配置的综合评价函数值获得配对收益，保存分区间收益向量，并根据flops、参数量和时延获得资源变化。

33、进一步地，获得配对收益和分区间收益向量的过程包括：

34、将子配置的综合评价函数值减去父配置的综合评价函数值，获得原子动作引起的配对收益；

35、将子配置在第1个信噪比区间的准确率减去父配置在第1个信噪比区间的准确率，直至将子配置在第b个信噪比区间的准确率减去父配置在第b个信噪比区间的准确率，并按照第1个至第b个信噪比区间的顺序组成分区间收益向量。

36、进一步地，构建任务条件化经验库的过程包括：

37、将任务状态、原子动作、兼容性结果、分区间收益和资源变化编码为经验条目；

38、使用标准化任务状态之间的距离确定上下文簇；

39、在相同上下文簇内统计动作成功次数，并基于相同上下文簇内的历史样本更新经验可靠度。

40、进一步地，基于相同上下文簇内的历史样本更新经验可靠度的过程包括：

41、以最小有效收益阈值为比较基准，使用指示函数判断各历史样本的配对收益是否大于最小有效收益阈值，将配对收益大于最小有效收益阈值的指示函数结果累加至成功的先验参数；

42、使用指示函数判断各历史样本的配对收益是否小于或等于最小有效收益阈值，将配对收益小于或等于最小有效收益阈值的指示函数结果累加至失败的先验参数；

43、根据成功的后验参数和失败的后验参数确定beta后验，并计算beta后验在分位点处的经验下置信界。

44、进一步地，基于更新后的经验可靠度迭代搜索得到目标流水线的方法为：根据更新后的经验可靠度、历史平均配对收益以及预计评估成本对兼容树边进行评分选择，并沿搜索路径回传配对收益更新搜索状态，迭代搜索得到目标流水线。

45、本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果：

46、本发明以无线信号任务状态和流水线中间状态约束搜索树扩展，在候选配置训练前排除数据域、张量维度、处理顺序、标签保持性或部署资源不匹配的动作，减少不可执行配置和无效训练。本发明将树边限定为单模块原子改动，并在相同训练条件下对父子配置进行反事实配对评价，使性能变化能够归因于具体预处理、表征、增强或架构改动，降低多模块同时改变造成的经验污染。

47、本发明根据不同信噪比区间的识别准确率及其离散程度构建鲁棒评价函数，抑制仅在高信噪比区间表现较好的候选配置，提高搜索结果在复杂信道和低信噪比条件下的稳定性。针对任务上下文与原子动作分别建立beta后验分布，并采用后验下置信界衡量经验可靠度，能够区分少量偶然成功经验与经多次验证的稳定经验，避免低质量历史知识反复影响搜索。

48、本发明将平均配对收益、探索奖励、条件化经验可靠度和预计评估成本共同作用于父节点—原子动作组合的选择，改变了仅利用标准ucb选择通用父节点的方式，提高有限评估预算下的有效搜索比例。通过结构化中间状态和约束原因在规划智能体、专用生成智能体及反思智能体之间传递，使各阶段配置的输入输出关系明确，增强自动生成流水线的可执行性、可追溯性和可解释性。本发明对计算量、参数量和推理时延进行参考值归一化，并与信噪比分层鲁棒性能联合优化，使输出配置同时满足识别性能和资源受限部署要求。