【摘 要】针对深度学习的调制识别模型在信噪比较低的情况下存在识别率低以及部分相似信号难以识别的问题,提出了一种自动调制识别的特征融合MFF网络。MFF网络主要由CA-VGG模块和CNN-GRU模块组成,其中基于卷积神经网络和CA的CA-VGG模块用于接收信号星座图,来提取不同调制信号的二维图像特征;在基于卷积神经网络和GRU网络的CNN-GRU模块中,将调制信号的A/P数据与I/Q数据作为网络输入,用于提取不同调制信号的一维时间特征;MFF网络通过将调制信号的A/P、I/Q数据与星座图相结合,丰富了每一种调制方式的数据表示形式,可实现不同类型数据特征之间的互补,最后将两个模块的输出结果进行融合来进一步提高信号分类的准确率。实验结果表明,在RadioML2016.10a数据集上,新模型在信噪比为-20~18 dB的识别准确率为63.2 %,优于其他参考文献中的模型。
【关键词】自动调制识别;深度学习;通信信号;特征融合
0 引言
自动调制识别是目前非协作通信领域的关键技术,广泛应用于电子对抗、国家频谱管理中,随着技术的发展,现在的调制方式、通信信道越来越复杂,对自动调制识别的要求也越来越高,所以自动调制识别技术仍是通信信号处理领域的一个研究重点技术。
传统的AMR(