基于多尺度特征融合提取的调制样式识别算法

来源：信号处理杂志 2025年第3期北京时间：

作者：杨嘉豪, 张东坡, 何劲

摘要：调制样式识别技术是通信信号侦查的重要组成部分，是对未知通信信号进行分类识别、信息提取的重要前提。现有的基于深度学习调制样式识别方法在低信噪比情况下特征提取能力较差，针对这一问题，本文提出了一个基于多尺度特征融合提取的信号调制样式识别算法。算法利用由多个不同大小的卷积核构成的多尺度卷积模块提取信号的多尺度特征，并通过卷积层融合特征，提取出信号调制样式信息的关键特征，随后通过由多头自注意力机制构成的全局特征提取模块提取信号的全局特征，并通过平均池化层和全连接层实现调制样式分类。为了优化网络参数与运算复杂度，本文提出利用组卷积方式代替普通卷积简化模型。实验结果表明，在RadioML2016.10a数据集上，所提方法可以准确识别各个调制类型，在高信噪比下大部分调制类型的识别准确率高于95%；相较于现有的神经网络识别方法，所提方法的识别率提升了1.47%~7.26%，且在较低信噪比下（-6 dB~0 dB）识别率提升了4.73%~9.09%，体现出更好的抗噪性能；与利用普通卷积方式构建网络相比，采用组卷积方式可以在识别性能相差不大的情况下将网络参数量及运算量分别减小38.9%和54.9%。同时设计了消融实验验证所提算法各个模块对识别性能的提升。实验结果验证了所提算法在分类精度和抗噪性能方面的有效性。

关键词：‍‍调制样式识别, 卷积神经网络, 多头注意力机制, 组卷积