通道门控Res2Net卷积神经网络自动调制识别

作者：陈昊^*; 郭文普; 康凯

来源：电讯技术, 2023, 63(12): 1869-1875.

DOI：10.20079/j.issn.1001-893x.230829006

• 自动调制识别
• 卷积神经网络
• 压缩与激励网络
• 多尺度残差网络
• 长短期记忆网络

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。