Automatic Modulation Classification Using ResNeXt-GRU With Deep Feature Fusion
摘要
随着雷达、通信和电子侦察的一体化设计与应用,自动调制分类(AMC)在频谱监测、认知无线电等各种应用中发挥着越来越重要的作用,并进入了一个显著的发展阶段。目前,AMC技术存在信号类型复杂多样、信噪比低、算法鲁棒性差等问题。针对这些缺陷,本文提出了一种基于深度特征融合的调制分类方案。在这项工作中,分别使用ResNeXt网络提取信号的独特语义特征,使用门控循环单元(GRU)提取信号的时间序列表示特征。考虑到不同特征之间的互补性,提出了一种基于判别相关分析(DCA)的特征融合模型来融合ResNeXt和GRU的输出响应。仿真结果表明,该方法取得了较好的性能,有利于促进特征融合在AMC中的应用。
期刊:IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT
针对调制识别AMC任务,本文主要做了以下三个工作:
- 提出一种用于提取低信噪比下平滑分布信号特征的并行网络,记为ResNeXt-GRU。
- 采用DCA算法对ResNeXt网络和GRU网络中提取的特征进行融合。
- 提出一种有效的特征融合操作,进一步提高性能。
作者分别使用ResNeXt网络和GRU网络进行特征提取。然后,使用DCA对得到的卷积响应进行融合。最后,利用全连接神经网络对融合特征进行分类,实现AMC。
左边是ResNet的基本结构,右边是ResNeXt的基本结构。事实上,ResNeXt可以看作是在每一个block内分了多组的ResNet,与Multi-head Attention有异曲同工之妙。
作者并没有给出详细的网络设计,这里放一下原版ResNeXt的结构图。
在现有的深度学习调制识别算法中,经常建立各种深度学习网络来提高算法的识别性能。然而,特征之间的联系和互补性被忽略了。作者利用判别相关分析算法(discriminative correlation analysis algorithm, DCA)对特征进行融合。
实验方面,数据集采用OSC2018,与五种方法进行了对比。