基于MobileNetv2神经网络的无人机信号调制识别方法
针对无人机的图传信号,现有调制识别方法存在低信噪比条件下识别率低以及传统的深度网络模型存储开销大、计算复杂,难以应用于存储空间受限的6G智能边缘设备等问题,提出基于时频分析和MobileNetv2轻量级神经网络模型的无人机图传信号调制识别方法.通过短时傅里叶变换(short time fourier transform,STFT)把一维时域信号转为二维时频图像,并且利用能量门限降噪方法对获得的时频图像特征进行降噪和归一化处理,最后使用Mobile-Netv2轻量级神经网络对信号特征进行识别.实验选用了6种常见的单载波数字通信信号和1种多载波OFDM调制方式的信号,并在AWGN加性高斯白噪声信道环境中进行.实验结果表明,所提方法相较于未降噪的图像特征,在SNR=-12 dB时识别率提升了约6%,在SNR=-12~0 dB的高斯白噪声环境下,对7种不同调制方式的无人机图传信号获得了93.33%的识别率,并且完成一次识别需要进行大约313 M次的计算量,模型参数量大约为3.5 M,模型规模大约为13 M.相比于其他调制识别方法,所提方法不仅识别准确率较高、稳定性好,而且显著降低了网络模型存储和计算量的开销,便于应用于移动设备和存储资源受限的嵌入式设备.
无人机信号、调制识别、MobileNetv2轻量级神经网络、短时傅里叶变换、能量门限降噪
44
TN911.7
2023-04-19(万方平台首次上网日期,不代表论文的发表时间)
共9页
210-218