基于DAE_Transformer的通信信号调制识别技术研究.pdf

摘要

信号调制识别一直是深度学习领域的研究热点之一。在认知电子战、通信对抗和非协同

通信等领域具有重要的研究价值，受到了国内外学者的高度重视。在一些复杂场景下，通信

信号调制识别的研究仍然富有挑战性。在无合作的情况下，对目标信号的调制模式进行准确

而有效的辨识，是进行信号解调和处理的先决条件。无论从自然语言处理、计算机视觉还是

DeeplearningDLDL

生物信息学等众多领域，深度学习（，）均取得了突出成就。最近，被用

于信号分类和调制识别任务，其中自动强大的特征学习能力使其能够实现更高的精度。本文

以提高通信信号调制识别准确率为目的，主要进行了以下几个方面的研究工作：

首先，本文提出了一种基于DAE_Transformer的新型调制分类框架。自动编码器以无监

督的方式提取输入数据的低维表示，在执行降维的同时稳定地捕获高维数据的显著特征。为

了解决调制信号类内差异大的问题，本文在去噪自动编码器识别模型中嵌入Transformer结构

QueryKeyValue

中的多头注意力机制。通过多组线性投影，可以实现对、和的有效转换，而

无需仅依赖单一的注意力集合。此外，将所有的转换结果同步发送至注意力集合，从而更加

有效地实现目标。随着网络结构层数的增加，目标函数也极易陷入局部极值，从而导致训练

过程中，模型的参数难以收敛，最终模型的精度会出现下降。同时，梯度消失问题也会更加

严重，因此在训练过程中，引入残差网络，这种网络能够大大提高可以有效训练的网络的深

度，进一步提高模型的鲁棒性，使其能够更好地处理梯度消失问题。本文在公共数据集

RadioML2018.01A20dB24

上的实验结果表明，在信噪比为时，所述算法对种调制方式的识

别准确率达到了96.14%，相较于现有的识别方法，有效地提高了调制信号的识别准确率。

最后，从实际射频信号的分类识别角度出发，并结合软件无线电的思想，利用-LabVIEW

及通用软件无线电平台USRP等相应的硬件，通过搭建半实物仿真模型，实现了在真实环境

下的通信互联，并采集真实信号环境下的通信信号，对信号进行分析和自动识别，取得了良

好的效果。

关键词多头注意力机制，调制识别，深度学习，:LabVIEW，去噪自动编码器

I

Abstract

Signalmodulationrecognitionhasbeenoneoftheresearchhotspotsinthefieldofdeeplearning.

Ithasimportantresearchvalueinthefieldsofcognitiveelectronicwarfare,communication

countermeasureandnon-cooperativecommunication.Insomecomplexscenarios,theresearchof

modulationrecognitionofcommunicationsignalisstillchallenging.Intheabsenceofcooperation,

accurateandeffectiveidentificationofthemodulationmodeofthetargetsignalisaprerequisitefor

signaldemodulationandprocessing.DeepLearninghashadremarkablesuccessinawiderangeof

fiel