低信噪比下基于深度学习TCNN-MobileNet网络的调制识别

作者：牛瑞婷; 严天峰; 高锐; 王映植

来源：计算机工程, 2023, 1-13.

DOI：10.19678/j.issn.1000-3428.0068243

• 调制识别
• TCNN-MobileNet
• 小波变换
• 深度学习
• 低信噪比

近年来，将深度学习算法应用在调制识别领域是个热门话题，但现有研究存在网络复杂度高、硬件要求高以及在较低信噪比下识别准确率发生较大严重错误等问题，提出一种基于离散小波变换的双路卷积神经网络级联可分离卷积网络（TCNN-MobileNet）的调制识别方法。首先，通过小波变换对数据进行预处理之后，再将信号作为输入传送到双路卷积神经网络中进行不同维度的特征提取；之后，通过融合层将特征融合后，送入轻量级神经网络MobileNetV1中，进行调制识别模型的训练；最后，通过全连接层进行11种调制识别的分类输出。在此基础上，基于公开数据集RML2016.10a的识别率在低信噪比-20dB的识别准确率可达88.71%，而在高信噪比18dB时，识别准确率可达96.66%，故从-20dB到18dB的平均识别准确率为88.37%，相比于经典网络架构的识别准确率提升了35%左右。实验结果表明，提出的TCNN-MobileNet识别方法，在保证识别精度不变的情况下，降低了参数训练量以及网络训练时间，有效简化网络架构，降低硬件设备要求，同时有效改善了低信噪比下识别率较低的问题。此方法对轻量级神经网络在调制识别应用中具有研究价值和意义。

• 单位
  兰州交通大学