基于深度学习的调制信号识别.pdf

基于深度学习的调制信号识别

摘要

调制信号识别是一种在未知接收信号调制类型的情况下，对信号调制类型进行分

类的技术，是对信号解调的关键前提，在军事和民用领域都有重要的应用。随着无线

通信技术的发展，信号的调制方式逐渐多样化，电磁环境日趋复杂化，对调制信号识

别技术提出了更高的要求。此外，深度学习技术因其强大的特征提取能力和较低的先

验要求，已被学术界和工业界公认为解决电磁问题最有前途的方案。因此，本文的工

作将利用深度学习算法从精度和复杂度两方面分别研究提升当前调制信号识别算法的

性能，主要研究内容如下：

针对自适应可见性图（AdaptiveVisibilityGraph,AVG）算法复杂度过高且精度提升

不明显的缺点，提出了一种基于单通道多尺度图神经网络（Single-channelMulti-scale

GraphNeuralNetwork,SMGNN）的自动调制识别框架，并对框架各个部分进行了可解

释性研究。首先利用感知机和一维卷积自适应的实现了单通道信号序列和图之间的映

射，有效降低了AVG算法的复杂度；其次，设计了一种多尺度图神经网络，将不同分

辨率的特征进行融合，提升了模型识别准确率。实验表明本文提出的SMGNN算法相

比于AVG算法节省了近一半的参数量，且识别精度得到了较大的提升。

虽然SMGNN模型降低了一定的计算量，但由于其固有的图转化及图更新步骤，在

提升模型速度上具有一定的局限性，针对此问题本文设计了一种基于图知识蒸馏的自

校准网络算法。首先将加入自适应阈值算法的卷积自编码网络、长短期记忆网络及全

连接网络组成自校准网络模型，降低了低质量数据对模型的影响。其次，为了进一步

提升网络性能，本文第一次通过知识蒸馏将图神经网络和循环卷积类神经网络结合在

一起，并采用自适应损失值权重，减少了训练过程中繁琐的调参步骤。实验表明，使

用图神经网络作为教师模型进行知识蒸馏可以提升循环卷积类网络的性能，相比于

SMGNN，本方法所用推理时间减少了1/2左右，模型参数降低了5倍以上，并且达到

了与其相近的识别准确率。

关键词：调制识别；图神经网络；多尺度特征；知识蒸馏；自校准网络

基于深度学习的调制信号识别

Abstract

Modulatedsignalrecognitionisatechniqueforclassifyingsignalmodulationtypesinthe

caseofunknownreceivedsignalmodulationtypes,whichisakeyprerequisiteforsignal

demodulationandhasimportantapplicationsinbothmilitaryandcivilianfields.Withthe

developmentofwirelesscommunicationtechnology,themodulationmodeofsignalsis

graduallydiversified,andtheelectromagneticenvironmentisbecomingincreasinglycomplex,

whichputsforwardhigherrequirementsformodulationrecognitiontechnology.Inaddition,

deeplearningtechnologyhasbeenrecognizedbyacademiaandindustryasthemostpromising

solutiontosolveelectromagneticproblemsbecauseofitspowerfulfeatureextractionability

andlowapriorirequirements.Therefore,theworkinthist