基于可微分架构搜索的多载波信号自动调制识别

针对城市多径信道下缺乏多载波信号通用数据集,以及传统信号特征与网络模型难以有效识别低信噪比下失真信号调制类型的问题,提出一种基于可微分架构搜索的多载波信号自动调制识别算法。首先,产生了常见OFDM、FBMC与OTFS多载波信号经过典型城市多径信道的接收信号数据集,选取对调制参数不敏感的信号时频图作为特征向量来训练神经网络;其次,采用可微分架构搜索方法自动搜索最佳网络结构,避免了网络结构设计的反复验证工作;最后,在特征学习过程中引入联合注意力机制,将失真信号特征进行空间转换以降低多径干扰影响,同时计算特征图各通道信息权重并排序,以提升相关特征图通道的分类效果。仿真结果表明,所提算法不仅能提升在城市多径信道环境下尤其是低信噪比时的识别正确率,而且对调制参数变化和小样本场景具有更好的鲁棒性。

基于高效双流输入结构的自动调制识别方法

自动调制识别是现代通信系统中一项重要技术。为提高通信系统对不同调制信号间的识别性能,文中首先探索了包含11类调制信号的公开数据集RML2016.10A上原始同相正交(In-phase and Quadrature,IQ)格式数据和经过数据预处理后的幅度和相位(Amplitude and Phase,AP)格式数据的差异;随后,依据原始IQ格式数据和AP格式数据在特征提取过程中对局部相关性及时序特征敏感性的差异,设计了针对空间特征提取的SFE-Block模块、针对长期依赖关系提取的TFE-Block模块,以及联合时空特征提取模块STFE-Block,并将前两者的输出特征作为STFE-Block模块输出特征的重要补充进行特征融合,以全连接(Fully Connected)层负责最终分类。实验结果表明,本模型在数据集RML2016.10A上表现良好。当信噪比(Signal to Noise Ratio,SNR)低于-8 dB时,平均识别精度比其他模型提升7%,而SNR在0~18 dB时,平均识别精度比其他模型提高1%~8%,且在SNR为16 dB时,最高识别精度达92.95%。此外,在RML2016.10B数据集上重复了实验以检验模型泛化性,所得结果同样最优,且当SNR为12 dB时,最高识别精度达到93.6%。

基于CBAM-GRU的通信信号自动调制识别

本文研究了一种基于卷积注意力机制模块(CBAM)与门控循环单元网络(GRU)结合的CBAM-GRU分类模型,用于非合作通信系统中的自动调制识别技术。将信号预处理后的时域幅度值、相位值以及I/Q值合并,转换为输入采样值矩阵,进入网络进行信号分类识别。使用无线电数据集RadioML2016.10a进行仿真实验,并将CBAM-GRU模型与卷积神经网络(CNN)、长短期记忆网络(LSTM)、GRU、卷积长短时深度神经网络(CLDNN)进行比较。实验结果表明:CBAM-GRU模型的分类识别率达到92.79%,相较于对比模型分别提高了8.52%、1.84%、1.75%、8.61%,比传统的CNN或LSTM模型,在处理信号时能够更有效地捕捉时空特征,从而提高识别精度。

基于相位变换和CNN-BiLSTM的自动调制识别算法

针对真实信道使无线通信信号发生相位偏移导致信号识别率下降的问题,提出了相位变换算法。该算法将信号输入神经网络,通过Flatten层和Dense层估计出相位参数,再利用参数变换器完成相位变换,减轻相位偏移对调制识别准确率的影响,提高了调制识别的准确率。同时提出一种卷积双向长短期记忆(Convolutional Neural Network-Bidirectional Long Short-Term Memory,CNN-BiLSTM)网络,其中CNN用于提取信号的高维特征,BiLSTM用于提取信号的双向时间特征。所提出的调制信号分类模型识别率达到96.7%,相较于卷积神经网络(Convolutional Neural Network,CNN)提高了12%。

基于CGDNN的低信噪比自动调制识别方法

针对非协作通信环境中,自动调制识别(automatic modulation recognition,AMR)在低信噪比下泛化能力有限、分类精度不高的问题,提出一种由卷积神经网络、门控循环单元和深度神经网络组成的模型—CGDNN(convolutional gated recurrent units deep neural networks)。首先对I/Q采样信号进行小波阈值去噪,降低噪声对信号调制识别的影响;然后用CNN和GRU提取信号空间和时间特征;最后,通过全连接层进行识别分类。与其他模型对比,验证CGDNN模型在提高AMR性能的同时,显著降低了计算复杂度。实验结果显示,CGDNN模型在RML2016.10b数据集上的平均识别准确率达到了64.32%,提高了-12 dB~0 dB的信号分类精度,该模型大幅减少了16QAM与64QAM的混淆程度,在18 dB时达到了93.9%的最高识别准确率。CGDNN模型既提高了低信噪比下AMR的识别准确率,也提高了模型训练的效率。

基于特征融合的自动调制识别算法

目前大多数基于神经网络的调制识别算法,只使用时域或频域的单一信息来源,忽视利用多个变换域信息特征进行优势互补。提出基于特征融合的深度学习自动调制识别算法,可有效改善只利用时域或频域单一信息来源的调制识别效果。上述算法包含时频特征提取模块,将信号在不同变换域中的特征进行融合,然后采用基于注意力机制的长短期记忆网络和全连接层进行分类,通过多个变换域信息的特征融合,实现了优势互补。仿真结果表明,相比传统的深度学习调制识别算法,基于特征融合的自动调制识别算法能够有效地提取信号特征,具有更高的识别准确度。

基于相位变换和GhostNet-门控循环单元的自动调制识别方法

针对信号调制方式低信噪比条件下识别准确率不高的问题,提出了一种由相位变换、GhostNet、压缩与激励网络(Squeeze and Excitation Network,SENet)、门控循环单元(Gated Recurrent Unit,GRU)和深度神经网络组成的模型,用于自动调制识别接收信号。首先,采用基准数据集RML2016.10a和RML2016.10b同相正交数据作为模型输入;其次,构建识别模型,其中,相位变换用于降低相位偏移对调制识别的影响,GhostNet和GRU分别用于提取调制信号的空间特征和时间特征,SENet用于对特征图权重进行调整;而后,通过深度神经网络进行分类;最后,对所提模型进行了训练及测试。实验结果表明:与现有模型CGDNet、CLDNN、IC-AMCNet、MCLDNN和LSTM相比,所提出模型显著降低了参数量,有效提升了低信噪比条件下的识别准确率,平均识别准确率分别达到62.30%和64.45%。

基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加,复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题,本文针对未知无线电信号的特征提取任务,设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取,再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合,提高对目标信号的分类精度。通过RML2016.04C调制信号数据集,验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时,混合网络模型对多种不同调制信号的分类精度大于95%。因此,本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。

Alpha稳定分布噪声下基于轻量级网络的自动调制识别技术

自动调制识别在无线通信领域发挥了巨大作用。多数研究中假设的加性高斯白噪声信道已不再满足实际信道环境的准确描述。实际中,由于闪电、雷暴、多用户干扰、设备故障等原因,信道环境中广泛存在Alpha稳定分布噪声。因此对其开展研究更符合实际且具有挑战性。该文针对Alpha稳定分布噪声提出了一种预处理联合轻量级网络的调制识别方法。首先,通过对数域映射及阈值限制对接收信号进行预处理,抑制由Alpha稳定分布噪声带来的尖锐脉冲将信号幅度控制到合理范围;然后,提出一种基于Ghost模块的轻量级网络来完成信号的调制识别分类任务。实验结果表明,与现有的CLDNN(Convolutional Long Short-term Deep Neural Network)、CNN(Convolutional Neural Network)、ResNe(t Residual Network)相比,本文所提方法具有较高的识别准确率及较低的计算复杂度。

基于单通道多尺度图神经网络的自动调制识别

针对自适应可见性图(AVG)算法复杂度过高且精度提升不明显的缺点,该文提出一种基于单通道多尺度图神经网络(SMGNN)的自动调制识别(AMR)框架,并对框架各个部分进行了可解释性研究。首先利用多层感知机和1维卷积自适应地实现了单通道信号序列和图之间的映射,有效降低了AVG算法的复杂度;其次,设计了一种多尺度图神经网络,将不同分辨率的特征进行融合,提升了模型识别准确率。实验表明,该文提出的SMGNN算法相比于AVG算法节省了近1/2的参数量,且识别精度得到了较大的提升。

一种基于注意力机制卷积神经网络模型的自动调制识别算法

自动调制识别是通信识别、电子侦察、干扰检测等领域中重要的环节.针对低信噪比(signal-tonoise ratio,SNR)条件下自动调制识别准确率不高的问题,构建了一种基于注意力机制的卷积神经网络(convolutional neural network,CNN)调制识别模型(sequential convolution-based attention model,SCAM),用于处理原始I/Q序列信号从而进行调制识别.通过在一维CNN模型中引入注意力机制,SCAM能够有效地在低SNR条件下提取原始I/Q序列信号中的特征信息,再通过特征融合的方式对多域特征信息进行联合提取,并将融合后的特征用于调制识别,从而提升了自动调制识别的准确率.对比传统CNN模型,开源数据集RML2016.10a上不同SNR环境条件下的调制识别实验表明,本文提出的SCAM模型能取得更高的调制类型识别准确率.

基于并联网络的水声信号自动调制识别方法

提出了一种结合卷积神经网络和改进的Transformer Encoder网络的并联网络模型——ConEncoder。其中卷积支路结合了残差连接和SE模块用于提取信号的局部特征,Encoder支路去除传统的位置编码,用于提取信号的全局特征,最后融合二种特征,实现了在复杂的海底环境下对8种水声信号调制方式的高准确率识别,识别准确率可达98%以上。相较于基于专家特征进行识别的传统机器学习算法和常用的神经网络都具有更好的识别性能。

深层卷积神经网络的自动调制识别方法

简述了利用深层卷积神经网络进行自动调制识别(Automatic Modulation Recognition,AMR)的进展,并结合其模型在基准数据集上的实验表明,大多数不依赖于先验知识的特征提取模型容易忽略模型参数量大、计算复杂度高的问题,因此将工作重点集中在保持高精确度的同时轻量化模型。利用多信道深度学习模型,从时间和空间的角度有效提取特征,搭建以卷积神经网络(Convolution Neural Networks,CNN)和门控循环单元(Gating Recurrent Unit,GRU)为特征提取层的深层学习框架,可以在现有高识别度模型的识别效果上有略微提升,具有高效的收敛速度,且减少了40%以上的参数体积,在训练时间和测试时间上更有优势。该方法在RadioML2016.10a数据集0 dB以上信噪比条件下的识别精度保持在90%以上。

通道门控Res2Net卷积神经网络自动调制识别

针对低信噪比条件下自动调制识别准确率不高的问题,提出了通道门控Res2Net卷积神经网络自动调制识别模型。该模型主要由二维卷积神经(Two-dimensional Convolutional Neural Network,2D-CNN)网络、多尺度残差网络(Residual 2-network,Res2Net)、压缩与激励网络(Squeeze-and-Excitation Network,SENet)和长短期记忆(Long Short-Term Memory,LSTM)网络组成,通过卷积从原始I/Q数据中提取多尺度特征,结合门控机制对特征通道进行权重调整,并利用LSTM对卷积所得特征进行序列建模,确保数据特征被有效挖掘,从而提升自动调制识别的准确率。在基准数据集RML2016.10a下的调制识别实验表明,所提模型在信噪比为12 dB时识别精度为92.68%,在信噪比2 dB以上时平均识别精度大于91%,较经典CLDNN模型、LSTM模型和同类型PET-CGDNN模型、CGDNet模型能取得更高的调制类型识别准确率。

基于多通道联合学习的自动调制识别网络

自动调制识别技术不仅可以提高频谱资源的利用率,而且是有效鉴别用户合法身份的方式之一。为进一步提高识别算法的性能,文章考虑幅度和相位特征之间的联系,提出了一种新的非对称多通道联合学习网络。该网络将幅度、相位以及两者的联合矩阵作为多通道输入端,在不改变参数量和计算速度的前提下利用非对称联合学习模块,较好地提取调制信号的幅度和相位中同质和异构特征,来实现自适应调制编码。实验结果表明,与其他深度学习网络相比,文章所提网络在基准开源数据集RadioML2016.10a和RadioML2016.10b上分别实现了91.73%和93.36%的识别精度。

基于数据增强和特征嵌入的自动调制识别

基于端到端的深度学习模型已经被广泛应用于自动调制识别。现有的深度学习方案大多数依赖于丰富的样本分布,而大批量的标记训练集通常很难获得。提出了一种基于数据驱动和选择性核卷积神经网络(Convolutional Neural Network,CNN)的自动调制识别框架。首先开发深度密集生成式对抗网络增强5种调制信号的原始数据集;其次选择平滑伪Wigner-Ville分布作为信号的时频表示,并将注意力模块用于聚焦时频图像分类中的差异区域;最后将真实信号输入轻量级卷积神经网络进行时间相关性提取,并融合信号的时频特征完成分类。实验结果表明,所提算法提高了在低信噪比情况下的识别精度,表现出较强的鲁棒性。

移动通信信号自动调制识别的谱相关方法

一些不同的数字调制信号有着相同或相近的功率谱密度，但它们的谱相关函数却有明显区别。平稳的噪声和干扰的谱相关为零。利用谱相关函数的这些性质可以识别出噪声中的调制信号。本文提出了一种用于移动通信信号自动调制识别的谱相关算法，该方法可以识别各种主要无线系统和标准所采用的调制类型。

数字通信信号自动调制识别的谱相关方法

该文提出了一种用于数字通信信号自动调制识别的新方法。一些调制类型有着相同的功率谱密度，但它们的谱相关函数却有明显区别。利用谱相关性质可以识别出噪声中的调制信号。该文对高斯噪声中数字通信信号的自动识别进行了计算机仿真。实验结果表明，在信噪比为５ ｄＢ时，识别成功率不低于９０ ％ 。

模拟调制信号的自动调制识别

调制方式是通信信号的一个重要的特征参数。无论军事或者民用目的,都通常需要对这些信号进行监测。因此对自动调制识别算法的研究具有十分重要的意义。本文基于某无线电监测系统,研究了六种模拟调制信号的自动调制识别算法。针对DSB信号,设计了一个新的特征参数来描述其相位特征,有效的解决了噪声对其相位跳变的影响。文中给出了其表达式和计算流程。通过正交变换得到信号的特征参数。在SNR=5dB时,正确识别率达到97%以上。理论分析与仿真结果证明算法的有效性。

一种混合模式的神经网络自动调制识别器

数字信号自动调制识别(AMR)有基于决策论和统计模式两种方法,该文提出一种将两者相结合的自动调制识别系统,利用提取决策论特征向量集和统计特征向量集相结合的特征参数,使用带动量项的自适应权重的BP神经网络对MASK,MFSK,MPSK,MQAM等4类信号进行分类识别。当信噪比在0-10dB,在估计载频与实际载频相差0-100Hz的情况下正确识别率仍高达97%以上,实验证明这种分类识别方法的鲁棒性和实用性。