基于时频网络的深度学习调制识别方法

作者：叶颖泽; 熊辉^*; 钟祎

来源：武汉大学学报(工学版), 2022, 55(08): 857-864.

DOI：10.14188/j.1671-8844.2022-08-014

• 自动调制识别
• 神经网络
• 时频域

传统的调制识别方法通过提取信号中瞬时特征、循环平稳特征、高阶累积量特征等具有一定物理含义的特征进行识别，然而，该类方法无法充分利用信号中抽象的、高层的特征。基于神经网络的方法，利用时域的基带信号或星座图作为网络的输入进行训练，提取相应特征进行分类。将提出的原始时域信号和原始信号的频谱分别输入2个独立的特征提取子网络，将提取到的特征进行级联，组成更长的特征向量，再通过经典的卷积神经网络进行调制识别。所提方法能够更好地利用已有的时频域特征。开源的数据集的实验证明了所提方法相比于卷积神经网络（convolutional neural network, CNN）、CLDNN(CNN+long short-term memory(LSTM)+deep neural networks(DNN))、Inception网络、分离通道联合卷积网络(semantic color constancy using CNN,SCC-CNN)，其识别率最高，在0 dB以上的信号中识别率可达92%。由于经过预处理，所提方法能够利用已有的频域特征，所需的训练时间也最少。

• 单位
  长江职业学院; 华中农业大学; 华中科技大学