基于CNN-GRU和CA-VGG特征融合的调制识别模型

最新推荐文章于 2024-08-26 09:10:35 发布
最新推荐文章于 2024-08-26 09:10:35 发布
阅读量339 收藏 1
点赞数
分类专栏： 综合技术探讨及方案专栏 智能信息系统与结构理论专栏 文章标签： cnn gru 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_57147647/article/details/130465348
版权
针对调制识别的挑战，本文提出MFF网络，结合CA-VGG（卷积神经网络和注意力机制的VGG模块）和CNN-GRU（卷积神经网络与门控循环单元），提取调制信号的二维图像和一维时间特征。通过特征融合提高识别准确率，在RadioML2016.10a数据集上，-20~18 dB信噪比下的识别准确率达到63.2%。
摘要由CSDN通过智能技术生成

【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（

了解本专栏 订阅专栏 解锁全文 超级会员免费看
罗伯特之技术屋
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【科研基础】Parameters和FLOPs计算
qq_41100635的博客
06-08 1762
1.Parameters计算 用以下的网络举例： 输出每一层具体信息:
读《End-To-End Finger Trimodal Features Fusion and Recognition Model Based on CNN》
weixin_40459958的博客
01-06 1440
2021 引言 随着身份认证应用场景的逐步转移，单模态生物识别技术可能无法满足安全[2]的要求。 由于手指同时携带FP、FV和FKP，它在各种手的载体中尤为突出。手指自然地整合了生物组织内外层的生理特征，而FP、FV和FKP的特征是充分互补的[3]。 卷积神经网络(CNN)模型已广泛应用于单模态生物识别的多个子领域，如图像增强、特征提取和提高算法的鲁棒性[5-8]。 2015年，Wang等人。提出了一个基于CNN的多模态特征识别目标[9]的多模态特征框架，然后设计了一个深度学习框架来学习多模态[10]的特
【CNN-GRU回归预测】基于卷积神经网络-门控循环单元CNN-GRU的Adaboost回归预测算法研究附 Matlab代码
qq_59747472的博客
11-29 947
卷积神经网络 (CNN) 和门控循环单元 (GRU) 是两种常用的深度学习模型，它们在图像识别和自然语言处理等领域取得了显著的成果。然而，对于一些特定的预测问题，单独使用这两种模型可能无法达到理想的效果。因此，本文将介绍一种基于Adaboost回归的预测算法，将CNN和GRU进行有效地融合，以提高预测的准确性。首先，让我们简要回顾一下CNN和GRU的基本原理。CNN是一种专门用于处理图像数据的神经网络模型，它通过卷积操作和池化操作来提取图像中的特征，并通过多层神经网络进行分类或回归预测。
CNN+GRU+CTC实现不定长字符串识别（一）
DDB
09-13 3472
CNN+GRU+CTC进行人民币编码识别背景 背景 来自于TinyMind的一个比赛，名为人民币面值及编码识别，本篇文章的前提是已经将编码定位并切割下来，图片中只有相应的编码，样子如下： 当然不是这样也可以，随便什么训练集，如果没有的话可以参考我之前的文章进行生成，或者直接下载我上传的文件。 地址：链接：https://pan.baidu.com/s/1KQuAdHe4nc53yeDz3jk_1...
图像检测：图像描述
qq_45022743的博客
05-27 825
深度语言模型 递归神经网络RNN 有2类 ：时间递归神经网络（Recurrent Neural Network），针对时间序列；结构递归神经网络（Recursive Neural Network）,针对树状结构 优化方法 ：时序后向传播（Back propagation through time） 长时记忆/递归深度问题 ：梯度爆炸->梯度剪切；梯度消失->特殊设计 RNN的应用 基于RNN原因模型。我们首先把词依次输入到循环神经网络中，每输入一个词，循环神经网络就输出截止到目前为止，下一个最可
[论文阅读]（图像/视频质量评价系列）
weixin_38800498的博客
05-16 5503
文章目录[2021] (QoMEX) Image Super-Resolution Quality Assessment:Structural Fidelity Versus Statistical Naturalness摘要引言2D QUALITY ASSESSMENT OF SISR IMAGESFUSING 2D ASSESSMENT FOR 1D PREDICTION结论 [2021] (QoMEX) Image Super-Resolution Quality Assessment:Struct
MATLAB实现CNN-GRU多输入时序预测（完整源码和数据）
10-14
在本项目中，我们探讨了如何使用MATLAB来实现基于CNN-GRU（卷积神经网络与门控循环单元）的多输入时序预测模型。这个模型被设计用于处理多变量时间序列数据，并且提供了完整的源代码和所需的数据集，确保用户能够...
BO-CNN-GRU/Bayes-CNN-GRU,基于贝叶斯优化CNN-GRU多特征分类预测（MATLAB完整源码和数据）
04-06
1.BO-CNN-GRU/Bayes-CNN-GRU,基于贝叶斯优化CNN-GRU多特征分类预测（MATLAB完整源码和数据） MATLAB完整源码和数据，纯手工制作，代码质量极高，注释清晰，excel数据，方便替换 2.数据输入15个特征，输出4个类别，...
基于卷积门控循环单元结合注意力机制(CNN-GRU-Attention)时间序列预测（Matlab完整源码和数据）
05-23
基于卷积门控循环单元结合注意力机制(CNN-GRU-Attention)时间序列预测（Matlab完整源码和数据） 基于卷积神经网路-门控循环单元结合SE注意力机制的时间序列预测 单输出单输出，时间序列预测。 运行环境Matlab2021及...
MATLAB实现CNN-GRU-Attention多特征分类预测（完整源码和数据）
07-19
MATLAB实现CNN-GRU-Attention多特征分类预测（完整源码和数据） 1.data为数据集，格式为excel，输入多个特征，分四类； 2.多特征输入，二分类及多分类模型，程序可出分类效果图，混淆矩阵图； 3.可视化展示分类准确...
回归预测|基于北方苍鹰优化NGO-Transformer-GRU组合模型的数据预测Matlab程序多特征输入单输出
2401_86241083的博客
08-22 659
组合模型将北方苍鹰优化算法（NGO）、Transformer架构和门控递归单元（GRU）结合，用于复杂时序数据的预测。组合模型利用北方苍鹰优化算法优化模型参数，通过 Transformer 处理复杂的时序特征，GRU 处理时间依赖。模型的主要流程包括数据预处理、模型构建、参数优化、训练、预测和评估。包括但不限于。
深度学习学习经验——全连接神经网络（FCNN）
Linductor的博客
08-22 849
全连接神经网络（FCNN）是最基础的神经网络结构，它由多个神经元组成，这些神经元按照层级顺序连接在一起。每一层的每个神经元都与前一层的每个神经元连接。接待区交流区和结果区。
基于深度学习的单目标跟踪系统
2301_78240361的博客
08-26 548
基于深度学习的单目标跟踪，效果吊打传统算法，3060显卡上达到实时，代码python和c++都有
CNN进化论：从LeNet到ResNet的深度学习征途与PlugLink的赋能实践
AI心易行者
08-23 812
在过去的几十年里，卷积神经网络（CNN）经历了从理论框架到实际应用的飞速发展，成为现代人工智能领域中图像识别、自然语言处理等多个分支的核心推动力。今天，我们将踏上一场穿越时空的旅程，逐一剖析那些里程碑式的CNN架构，并揭秘开源项目如何助力研究者和开发者在这条路上走得更远。
深度学习——超大病理图像mask的保存与读取
一世纤华的博客
08-23 285
对于100000x80000级别的黑白mask，在保存的时候有三种方式1、用cv2.imwrite()保存成.tiff格式 （推荐）2、用tifffile.imwrite()保存成.tiff格式（占用空间很大）3. 用np.save保存成.npy格式 （占用空间很大）
深度学习--Transformer和BERT区别详解
GDHBFTGGG的博客
08-26 575
Transformer和BERT区别详解
基于深度学习的手势识别系统
最新发布
2301_78240361的博客
08-26 288
基于深度学习网络的手势识别系统 完整源码+数据集+报告+PPT全套信息 【python设计开发】基于深度学习的手势图像识别处理系统 【包括】代码 PPT 报告 2 需求分析 2.1要求 （1）用Python语言实现程序设计； （2）初识深度学习和图像处理技术; （3）了解深度神经网络（Deep Neural Networks，简称DNN）相关知识; （4）【难点】了解LeNet-5 卷积神经网络模型，并进行模型训练; （5）【难点】调参数、优化，提高测试集准确率； （6）实现手势识别的功能，程序要有注释
Tensorflow实现深度学习案例7：咖啡豆识别
2301_76606951的博客
08-20 1122
本文为为内部文章原作者：K同学啊。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

罗伯特之技术屋

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值