基于SVD与混合神经网络模型的自动调制识别

来源：电子测量技术杂志2024年第21期北京时间：

作者：周顺勇，陆欢，胡琴，彭梓洋，张航领

单位：1.四川轻化工大学自动化与信息工程学院 宜宾 644000; 2.四川轻化工大学人工智能四川省重点实验室 宜宾 644000

摘要：随着现代无线通信环境中调制类型复杂性和多样性的显著增加，对自动调制识别技术的性能提出了更高要求。文章提出一种由卷积神经网络、挤压与激励模块、长短期记忆网络、门控循环单元和全连接层网络组成的混合神经网络模型，提升AMR技术的效率和准确性。首先，针对低信噪比环境下调制信号识别精度受限的问题，引入奇异值分解算法对接收的I/Q信号进行去噪，在提高信号质量的基础上提高低信噪比下调制信号的识别精度。然后，利用卷积神经网络对去噪后的信号进行多通道空间特征提取，随后加入挤压与激励模块提升特征提取的针对性，将门控循环单元和长短期记忆网络相结合，捕获信号的时间序列特征，最后，通过全连接层网络将提取的特征映射到调制方式的分类空间进行分类识别。实验结果表明，提出的网络模型在低信噪比环境下显著提高了调制识别精度，在RadioML2016.10b数据集上的平均识别准确率达到了64.63%，同时增强和提高了对QAM16与QAM64的区分与识别精度。

关键词：自动调制识别;奇异值分解;卷积神经网络;门控循环单元;长短期记忆网络

基金资助：国家自然科学基金 (61801319)、基于多模态特征融合的伪装目标检测关键技术研究(2023RC24)、四川轻化工大学研究生创新基金项目(Y2023314)资助