基于深度学习的通信信号调制样式识别.pdfVIP

摘要

摘要

自动调制识别（AutomaticModulationRecognition，AMR）技术是一种在非协

作通信环境下进行信号处理的技术，广泛应用于民用和军用通信等领域，具有重要

的研究意义。基于深度学习的调制识别技术能够自动提取信号特征来判断信号的调

制样式，已成为目前重要的研究方向。但仍存在低信噪比下识别率较低、网络模型

复杂等问题。针对以上问题，本文深入研究基于深度学习的通信信号调制样式识别，

主要包括以下几个方面。

1）针对当前通信环境恶劣，信号受到噪声干扰导致通信信号识别率较低的问

题，提出了一种基于堆叠式降噪自编码器（StackedDenoisingAuto-encoder，SDAE）

的信号降噪方法。该方法通过堆叠两个降噪自编码器构成降噪网络，网络以含噪信

号作为输入，通过隐含层学习特征，并在输出层最小化重构误差以实现信号降噪。

仿真实验结果表明：所提方法可以实现降噪，并将降噪信号输入到基于LSTM和C

NN的调制识别算法中，可以提升算法的识别率。

2）针对低信噪比下通信信号的识别率较低的问题，提出了一种基于级联网络

的通信信号调制识别方法。该方法利用SDAE网络对输入数据进行降噪处理，基于

CLDNNDCELDNNDilatedConvolutionECAMechanismLongShort-

网络构建（，，

TermMemory，DeepNeuralNetworks）特征提取网络，使用扩张卷积代替正常卷积

来扩大感受野并提取信号特征，引入了高效通道ECA机制来增强特征的表达能力，

通过全局平均池化层集成特征向量信息，实现对通信信号的端到端分类识别。仿真

实验结果表明，所提出的方法在-10到15dB的信噪比下，平均识别准确率达到了

63.1％，与CNN，LSTM和CLDNN模型相比，在10dB的信噪比下，识别准确率

25.812.34.8

分别提高了％，％和％。

3）针对深度神经网络模型复杂和计算量较高的问题，提出了一种基于多跳注

意残差网络（Multi-skipAttentionResidualNetwork，MARN）的调制识别方法。该

3

方法利用提取不同特征的卷积核进行多跳连接构建种多跳残差块，进而构建多跳

残差网络，提取信号的时域特征；采用自适配归一化（SwitchableNormalization，S

N）加速网络收敛和加入丢弃率为0.3的AlphaDropout层提高算法的拟合能力，优

化多跳残差网络；加入CBAM机制自适应地调整通道权重，加强信号特征的表征

能力，最终实现对通信信号的分类识别。仿真实验结果表明，该方法提高识别精度

的同时也保证了网络的轻量化设计，在信噪比为-10~15dB下，该算法的平均识别率

达到63.3%，相比于几种经典深度学习算法，在识别准确性方面展现出显著优势。

I

河北科技大学硕士学位论文

关键词自动调制识别；深度学习；降噪自编码器；残差网络；注意力机制

II

Abstract

Abstract

AutomaticModulationRecognition(AMR)technologyisakindofsignalprocessing

technologyinnon-cooperativecommunicationenvironment,iswidelyusedinciviland

militarycommunicat