基于多特征信息的深度学习网络调制识别算法
2022-10-17吴泓霖黄承钊欧阳厚德雒瑞森
计算机工程与设计 2022年10期
张 航,吴泓霖,余 勤,黄承钊,欧阳厚德,雒瑞森
(四川大学 电气工程学院,四川 成都 610065)
0 引 言
自动调制识别技术是通信过程中进行准确信息提取的基石。在非合作通信中,由于复杂电磁环境的影响和无线电信号调制方式的未知,要想准确地识别无线电信号的调制方式存在巨大的挑战。当前,调制识别算法主要分为两大类:基于似然比的方法[1,2]和基于特征的方法[3,4]。这两类传统的方法需要较多的先验知识,严重依赖人为设定的阈值,以及受人工特征选取的影响,在未知电磁环境下缺乏鲁棒性,应用范围存在一定的局限性。
如今,随着深度学习展现出的巨大潜力,大量的研究者开始着手研究基于深度学习的调制识别算法。这类算法可通过神经网络进行自动特征提取,避免了手工特征提取的繁琐,且鲁棒性较高。为了便于研究的规范以及方便对照各种算法的优劣,文献[5]公布了一个无线电信号标准数据集RML2016.10a。文献[6]设计了一种较为简单的卷积神经网络来进行调制识别,表现了神经网络相较于传统算法的优越性。随后,文献[7]设计了一种结合卷积神经网络和循环神经网络的模型,实现了更高准确率。而考虑到调制信号内在的时序特性,文献[8]利用改良后的循环神经网络—GRU(gated recurrent unit),也取得了不错的调制识别效果。文献[9]将调制信号的瞬时特征输入到长短期记忆网络(LSTM)中进行处理,最终可实现0 dB以上,接近90%的准确率。而在复杂电磁环境下,目前这些基于神经网络的调制识别算法,仅仅利用I/Q信号或者单一瞬时特征,一定程度上限制了模型的性能。……
登录APP查看全文
