基于轻量型网络的单载波信号调制识别
针对当前应用深度学习实现数字信号调制识别过程中网络复杂、计算量高、硬件平台要求高的问题,本文提出了在改进的MobileNetV3轻量级神经网络中使用信号星座图调制识别的方法.首先,将接收到的MPSK和MQAM信号转换成星座图像,将其进行灰度图像提取,灰度图像增强,构建星座图的图像数据集,然后将ResNet中的跨层结构引入MobileNetV3网络,解决了随着网络层数的增加,权重减小而导致的梯度消失现象.最后将星座图数据集用于训练MobileNetV3的轻量型神经网络权重,对星座图像进行识别.MobileNetV3基于深度卷积可分离和神经架构搜索(network architecture search,NAS)技术在保证识别精度的前提下,大大降低了参数量和训练时间,将对于简单信号的调制识别,轻量型神经网络可以有效简化网络结构,降低对硬件设备的要求.仿真结果表明,针对的调制信号(BPSK、QPSK、8PSK、16QAM、64QAM),能实现识别率为99.76%的调制识别,相较于传统应用深度学习实现调制识别的网络,网络参数量和计算量明显减小.
调制识别、信号星座图、MobileNetV3、深度学习、信号调制、特征提取
32
TN911.7;TP391.4;F515.653
2023-08-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
238-243