基于深度学习的自动调制识别算法研究

作     者：王咏鹤 

作者单位：南昌大学 

学位级别：硕士

导师姓名：李春泉;任康

授予年度：2024年

学科分类：11[军事学] 0810[工学-信息与通信工程] 12[管理学] 1105[军事学-军队指挥学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 081002[工学-信号与信息处理] 110503[军事学-军事通信学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：自动调制识别 深度学习 ADLNN CFT-Dense Net 模型部署与应用 

摘      要：自动调制识别问题旨在研究如何识别在传输过程中受到多径传播、频率变化、噪声干扰等因素影响的无线通信信号的调制类型,确保无线通信系统的高效运作。然而,在没有任何先验信息的情况下,传统的自动调制识别方法难以克服噪声干扰的影响,流行的基于深度学习技术的自动调制识别方法在低信噪比(Signal-to-Noise Ratio,SNR)场景下识别准确率相对较低且计算复杂度相对较高。针对上述问题,本文提出了两种基于深度学习技术的自动调制识别方法,在保持计算复杂度相对较低的同时,抑制噪声干扰等因素的影响,有效提高低SNR下信号调制类型的识别准确率。本文的主要工作如下: 1、针对低SNR下现有的自动调制识别方法难以从无线通信信号中提取有效特征的问题,本文提出一种基于CFT(Chanel-Frenquency-Time)机制的密集连接卷积神经网络模型CFT-Dense Net,该模型使用无线通信信号的二维时频图作为模型输入,在低SNR下具有较高的识别准确率。CFT-Dense Net模型相关信息如下:使用密集连接卷积神经网络块从二维时频图中提取信号的通道特征信息、时间特征信息和频率特征信息;使用CFT机制分别从通道、时间和频率三个维度对密集连接卷积神经网络块提取的特征信息进行注意力加权,强化对重要特征信息的提取。在标准数据集Radio2016a上的实验结果表明,当SNR大于4d B时,CFT-Dense Net模型的识别准确率超过90%,显著优于流行的深度学习模型。 2、针对现有的自动调制识别方法未有效抑制噪声干扰且计算复杂度较高问题,本文提出一种基于自适应去噪模块的轻量化神经网络(Adaptive Denoising Lightweight Neural Network,ADLNN)。该模型可以在抑制噪声干扰的同时从无线信号的同相与正交分量中提取出有效的信号特征,同时保持着较高的识别准确率和相对较低的计算复杂度。ADLNN模型相关信息如下:使用无线通信信号的同相和正交分量作为模型输入,提高模型对信号空间特征的提取能力;使用堆叠的自适应去噪模块对信号进行处理,该模块使用卷积操作对信号做非线性变换,同时使用软阈值算法来滤除变换后信号中无关的噪声干扰分量;使用堆叠的轻量化特征提取模块从处理后的信号分量中提取出有效的信号特征,该模块使用深度可分离卷积和通道拼接替换残差结构中的卷积操作和逐元素相加操作,在保持模型特征提取能力的同时降低模型计算复杂度。在标准数据集Radio2016a上的实验结果表明,当SNR为12d B时,ADLNN的识别准确率为92.4%,优于现有的基于深度学习的自动调制识别方法,同时ADLNN的模型参数数量为55.6k,计算复杂度仅为19.32M。 3、针对自动调制识别领域的许多研究目前停留在理论层面,缺乏在实际环境中的测试,因此本文基于软件自定义无线电设备ADALM-PLUTO Radio和边缘计算设备Jetson NVIDIA Xavier搭建了一套单输入单输出的智能调制识别系统,并使用MATLAB设计了一个上位机软件,用于可视化无线通信系统双方发送和接收的信号波形,以及边缘计算设备部署模型对信号调制类型的识别结果。本文将ADLNN等模型部署在边缘计算设备上进行相关测试,实验结果表明,在实际的无线通信环境下ADLNN模型的识别准确率能达到88.55%,比其余部署在边缘计算设备上模型的识别准确率高10%以上。