基于CGDNN的低信噪比自动调制识别方法OA北大核心CSTPCD
针对非协作通信环境中,自动调制识别(automatic modulation recognition,AMR)在低信噪比下泛化能力有限、分类精度不高的问题,提出一种由卷积神经网络、门控循环单元和深度神经网络组成的模型—CGDNN(convolutional gated recurrent units deep neural networks)。首先对I/Q采样信号进行小波阈值去噪,降低噪声对信号调制识别的影响;然后用CNN和GRU提取信号空间和时间特征;最后,通过全连接层进行识别分类。与其他模型对比,验证CGDNN模型在提高AMR性能的同时,显著降低了计算复杂度。实验结果显示,CGDNN模型在RML2016.10b数据集上的平均识别准确率达到了64.32%,提高了-12 dB~0 dB的信号分类精度,该模型大幅减少了16QAM与64QAM的混淆程度,在18 dB时达到了93.9%的最高识别准确率。CGDNN模型既提高了低信噪比下AMR的识别准确率,也提高了模型训练的效率。
周顺勇;陆欢;胡琴;彭梓洋;张航领;
四川轻化工大学自动化与信息工程学院,四川宜宾644000 四川轻化工大学人工智能四川省重点实验室,四川宜宾644000
电子信息工程
自动调制识别小波阈值去噪卷积神经网络门控循环单元深度神经网络
《计算机应用研究》 2024 (008)
P.2489-2495 / 7
国家自然科学基金资助项目(61801319);四川省科技厅省院省校重点项目(2020YFSY0027);四川轻化工大学研究生创新基金资助项目(Y2023314,Y2023290);四川轻化工大学留学归国项目(2023RC24)。
评论