计算机应用研究

作者：周顺勇,陆欢,胡琴,彭梓洋,张航领,

单位：四川轻化工大学a.自动化与信息工程学院;b.人工智能四川省重点实验室,四川宜宾644000；

关键词：自动调制识别,小波阈值去噪,卷积神经网络,门控循环单元,深度神经网络,

基金：国家自然科学基金资助项目(61801319)；四川省科技厅省院省校重点项目(2020YFSY0027)；四川轻化工大学研究生创新基金资助项目(Y2023314,Y2023290)；四川轻化工大学留学归国项目(2023RC24)；；

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。

来源：2024年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第8期