引言

自動調制識別是指通過對接收到的信號進行特征提取和分析，以自動識別和分類不同的調制類型，其在無線通信、雷達系統和信號處理等領域中具有重要的應用［1］。通過自動調制識別，系統能夠快速準確地識別出發送端使用的調制類型，從而幫助優化信號處理和通信系統的性能。隨著無線通信技術的不斷發展，信號的調制愈加多樣，電磁環境也變得更加錯綜復雜，因此，探索實時高效的調制識別技術具有重要的現實意義。

傳統調制識別方法受限于先驗知識依賴、計算復雜度高及特征提取主觀性強等問題，難以滿足現代通信系統對靈活性、魯棒性和自適應性的需求［2-4］。因此，自動調制識別技術及其與機器學習，特別是深度學習的結合，為這一難題提供了新的解決方案。深度學習以其強大的自動特征提取能力、端到端學習機制及對先驗知識要求的低門檻，成為自動調制識別領域的研究熱點［5-7］。文獻［8］將改進的卷積神經網絡(Convolutional Neural Networks, CNN)和長短期記憶網絡(Long ShortTerm Memory, LSTM)相結合，以進一步提高性能并降低深度學習框架的復雜性，結果表明LSTM能更好地利用連續無線信號樣本之間的時間特征，進一步提高了對高階信號的分類能力；文獻［9］結合深度殘差收縮網絡(Deep Residual Shrinkage Network, DRSN)在信號降噪和提升訓練效率方面的顯著優勢，以及門控循環單元在序列特征提取方面的優秀性能，設計了一種輕量化的特征提取和分類識別模型，既保證了信號識別準確率，又顯著降低了模型參數量和運算復雜度。

然而，深度神經網絡需要大量樣本來進行訓練［10］，在無線電信號調制識別任務中常常存在樣本量不足的情況［11］。為了解決這一問題，近年來學術界和工業界對小樣本條件下的調制識別方法進行了廣泛研究。生成對抗網絡（Generative Adversarial Networks，GAN）作為深度學習的一種前沿技術，為調制識別領域帶來了新的可能性。在調制識別中，GAN可用于生成多樣化的調制信號數據，解決高質量數據稀缺的問題，同時增強模型的泛化能力。此外，GAN還能通過模擬低信噪比環境下的信號變化，幫助模型學習在復雜噪聲條件下的有效特征，提升識別性能。文獻［12］從數據生成的角度出發，首次將GAN應用于數據的分類識別。文獻［13］提出了一種在小樣本集條件下基于關系網絡的水聲通信信號調制識別方法，該方法設計了一種基于功率譜和關系網絡的調制識別模型，該模型通過在不同通道中構建小樣本訓練任務進行優化，這種訓練模式提高了識別方法在目標海域只有少量標記樣本可用時快速分類的能力。文獻［14］提出了一種基于元學習的小樣本調制識別算法，該方法設計了一種由CNN和LSTM并聯組成的混合特征并行網絡，在小樣本和高信噪比條件下有效地提高了調制識別的性能，但該方法在低信噪比條件下識別率明顯降低。

針對上述問題，本文提出了一種基于DRSN-GAN的通信信號調制識別方法。首先生成網絡利用噪聲生成高質量的生成數據，將數據集進行擴充；其次設計了一種由殘差收縮單元組成的 DRSN作為判別網絡，利用DRSN中獨特的軟閾值化算法與注意力機制優化特征提取，以增強在低信噪比環境下的識別效果。實驗表明，本文提出的方法在小樣本和低信噪比條件下識別準確率提升效果顯著。

本文詳細內容請下載：

http://www.cowatch.cn/resource/share/2000006545

作者信息：

劉高輝， 顧家華

（西安理工大學自動化與信息工程學院，陜西西安710048）