基于轻量化CNN的调制识别及其在ARM Cortex-M嵌入式平台的应用

来源：计算机应用与软件杂志2025年第4期北京时间：

作者：代滔滔, 佃松宜, 郭斌

摘要：针对无线通信中的调制信号识别，提出一种基于卷积神经网络（Convolutional Neural Network，CNN）的轻量化CNN调制识别算法，该算法利用连续多次卷积运算提取信号的空间特征，利用全连接层对特征进行维度映射，通过Softmax层输出识别概率，实现对多类信号调制方式的识别。将训练好的轻量化CNN模型经X-CUBE-AI压缩后部署到STM32F405RGT6嵌入式微控制器中，并使用RADIOML2016.10a数据集对部署后的模型进行性能测试。实验结果表明，设计的轻量化CNN模型仅占用1474.6 KiB Flash和150 KiB RAM，与其他深度学习网络模型相比具有较少的参数量，在信噪比为0 dB及以上时识别准确率最高可达81.8%，且在ARM Cortex-M嵌入式平台上可以取得PC平台相媲美的调制信号识别效果，验证了该算法的有效性和可行性。

关键词：调制信号识别, 卷积神经网络, 轻量化CNN, 部署, ARM Cortex-M