10.19665/j.issn1001-2400.2023.03.004
CNN-Transformer轻量级智能调制识别算法
现有基于深度学习的调制识别方法,当存在噪声及不确定信道干扰影响时识别率较低,同时由于模型参数量大,难以直接应用到移动终端.针对该问题,提出一种基于卷积神经网络(CNN)和 Transformer的轻量级智能调制识别方法.该方法首先利用卷积神经网络对信号进行局部信息特征提取,然后利用卷积神经网络通道注意力和Transformer时域注意力模块分别从信号的通道和时域两个维度关注最有利于识别的特征,降低信道或噪声等的影响,以提升识别率.所提方法可以适应多种信号表征,如原始 IQ 信号、幅度相位信号及变换域特征.仿真表明,在 RadioML2016.10b 数据集上,相较现有基于卷积神经网络的方法,所提方法的平均识别率提升了约 8%~12%,相比基于残差神经网络和长短时记忆网络的方法,参数量降低了约 90%~92%,计算量降低了约 83%~93%.实验结果验证了所提方法增加模型分类精度的同时,有效地降低了模型的参数量和计算量.
调制识别、通道注意力、时域注意力、轻量级网络
50
TN911.7
国家重点研发计划2020YFB1807800
2023-07-10(万方平台首次上网日期,不代表论文的发表时间)
共10页
40-49