低信噪比下基于深度学习TCNN-MobileNet的调制识别

作     者：牛瑞婷 严天峰 高锐 王映植 NUI Ruiting;YAN Tianfeng;GAO Rui;WANG Yingzhi

作者机构：兰州交通大学电子与信息工程学院甘肃兰州730070 兰州交通大学甘肃省无线电监测及定位行业技术中心甘肃兰州730070 兰州交通大学甘肃省高精度北斗定位技术工程实验室甘肃兰州730070 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2024年第50卷第7期

页      面：204-215页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62161017) 甘肃省重点人才项目(6660010201) 甘肃省青年科技基金(21JR7RA325) 四电BIM工程与智能应用铁路行业重点实验室2022年度开放课题(BIMKF-2022-03) 

主　　题：调制识别 卷积神经网络 小波变换 深度学习 低信噪比 

摘      要：将深度学习算法应用于调制识别任务是近年来通信领域的一个研究热点,但现有方法存在网络复杂度高、硬件要求高、在低信噪比(SNR)下识别准确率不高等问题。结合离散小波变换方法,提出一种基于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,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;然后通过融合层进行特征融合并送入轻量级神经网络MobileNetV1中,进行调制识别模型训练;最后通过全连接层进行11种调制识别的分类输出。在公开数据集RML2016.10a上的实验结果表明,在-20dB的低SNR下TCNN-MobileNet的识别准确率可达88.71%,在18dB的高SNR下识别准确率可达96.66%,SNR在-20~18dB范围内时平均识别准确率为88.37%,相比于ResNet18、ResNet34等经典网络架构提升了约35%。TCNN-MobileNet识别方法在保证识别精度不变的情况下能够降低训练参数量以及网络训练时间,有效简化网络架构,降低对硬件设备的要求,对轻量级神经网络在调制识别中的应用具有借鉴意义。