10.3969/j.issn.1002-0802.2023.06.007
深层卷积神经网络的自动调制识别方法
简述了利用深层卷积神经网络进行自动调制识别(Automatic Modulation Recognition,AMR)的进展,并结合其模型在基准数据集上的实验表明,大多数不依赖于先验知识的特征提取模型容易忽略模型参数量大、计算复杂度高的问题,因此将工作重点集中在保持高精确度的同时轻量化模型.利用多信道深度学习模型,从时间和空间的角度有效提取特征,搭建以卷积神经网络(Convolution Neural Networks,CNN)和门控循环单元(Gating Recurrent Unit,GRU)为特征提取层的深层学习框架,可以在现有高识别度模型的识别效果上有略微提升,具有高效的收敛速度,且减少了 40%以上的参数体积,在训练时间和测试时间上更有优势.该方法在RadioML2016.10a数据集 0 dB以上信噪比条件下的识别精度保持在 90%以上.
自动调制识别、深度学习、卷积神经网络、轻量级
56
TN92
2023-09-04(万方平台首次上网日期,不代表论文的发表时间)
共5页
714-718