基于CNN-GRU和CA-VGG特征融合的调制识别模型

基于CNN-GRU和CA-VGG特征融合的调制识别模型一文创作于：2023-04-12 11:52:55，全文字数：20494。

基于CNN-GRU和CA-VGG特征融合的调制识别模型

。最后使用CNN-GRU-1+CA-VGG的网络结构，并将A/P、I/Q与星座图数据作为输入数据，使得本文的MFF模型识别准确率达到63.2%。

表2 消融实验的识别准确率

图6 消融实验识别准确率曲线

从上面四种模型的仿真结果可以看出，在VGG16的网络结构中加入CA注意力机制对分类准确率的提升最为显著，达到1.2%，这是因为CA注意力机制的引入使得模型在更低的计算复杂度下收敛更快，通过在CNN-GRU模型中加入A/P数据的输入来增加输入数据特征带来了0.9%的分类准确率提升，最后本文的MFF模型识别准确率较CNN-GRU+VGG模型提升2.3%。

3.3 对比实验

为进一步验证本文提出的MFF模型的性能，选取了文献[17]的CLDNN、文献[18]的ResNet和DenseNet、文献[19]的PET-CGDNN、文献[20]的MCLDNN和本文的MFF模型进行对比实验。

表3和图7展示了六种模型在RadioML2016.10a上的实验结果和识别曲线。在RadioML2016.10a数据集上，CLDNN、ResNet和DenseNet模型识别率较低，识别率比其他模型低5%以上，仅为55.8%、55.3%和55.5%；PETCGDNN模型识别率为60.4%，效果较好；MCLDNN模型识别准确率61.3%，比PET-CGDNN模型高0.9%；本文的MFF模型识别准确率为63.2%，优于参考文献[15-18]提出的模型。

表3 对比模型实验结果

图7 对比模型识别准确率曲线

图7所示为六种模型在不同信噪比情况下的调制识别准确率。其中CLDNN[14]模型的网络结构过于简单，只通过一层CNN+LSTM对信号进行特征提取，算法复杂度较低，不能很好地学习数据的一般特征。ResNet和DenseNet[15]模型都有着大量的内部参数，但缺失了细节的特征，同时输入的数据量不大，导致分类效果较差。PET-CGDNN[16]模型算法复杂度较低，但损失了一部分精度。MCLDNN[17]模型采用多路通道对特征进行提取，通过增加输入数据种类和网络模型数量取得较好的分类性能，但同时也成倍地增加了整个模型的计算复杂度。本文提出的MFF网络模型的网络更深，可以提取更高层次的特征，并且CNN-GRU模块和CA-VGG模块的判别能力是互补的，因此能够高效地识别信号的调制方式。

3.4 复杂度分析

这里选取了学习参数、训练时间、训练周期、最小验证损失等5个关键指标来衡量6个模型的复杂度，并对训练过程进行评价如表4所示。模型的复杂性主要由学习参数反映、训练速度由训练时间和训练周期表示，而验证损耗最小则表现出收敛趋势。

表4 复杂度分析

从表4 可以看出，MFF的复杂度优于ResNet和DenseNet，但比其他模型的复杂度更高，这是由于本文的MFF模型通过多模型进行融合，导致学习参数较多，但MFF模型在数据集上的验证损失最小，进而提高了识别精度。对比表4中不同网络模型的训练时间和训练周期不难看出，本文提出的MFF网络的运行速度优于ResNet、DenseNet和MCLDNN。CLDNN和PET-CGDNN网络算法运行速度较快，但识别准确率低于本文模型。实验表明，MFF在识别精度方面优于其他网络模型，但是在训练时间和学习参数上仍有待提高。

3.5 调制识别准确率分析

MFF模型对RadioML2016.10a中各类信号识别准确率如图8所示。由图8（a）可以看出MFF模型对CPFSK的识别率最好；其中AM-SSB、BPSK、CPFSK、GFSK、PAM4、QAM16、QPSK调制信号在0 dB以上的信噪比环境下都有90%以上的识别率；AM-DSB、QAM64调制信号在0 dB以上的信噪比环境下都有80%左右的识别率；集成模型对WBFM信号的识别率最差，在0 dB以上的信噪比环境下仅有55%以上的识别率。可以看出[WBFM,AMDSB]两组调制信号容易分类误判，使得最终这2种调制信号识别率下降。

当信噪比升高到6dB时，由图8（b）可以看出[WBFM,AM-DSB]2种调制方式仍然存在着分类误判；AM-DSB调制方式的识别率达到了91%能够有效被识别，但是WBFM调制方式仍然容易被误判为AM-DSB调制方式。从整体上看集成模型对11种调制方式分类识别有较好的效果。

图8 MFF混淆矩阵

为进行模型效果对比，选取效果较好的MCLDNN模型对RadioML2016.10a中各类信号进行识别，准确率如图9所示。从图8和图9中可以看出两个模型无论信噪比是0 dB还是6 dB都对WBFM调制方式不能进行有效的识别，其中的MFF网络模型通过两种不同的神经网络对信号特征提取并融合的方式，提升了对WBFM调制方式的识别率。但WBFM和AM-DSB这两种调制方式仍存在一定程度混淆，这也是以后需要改进的方向。

图9 MCLDNN混淆矩阵

4 结束语

本文提出一种MFF网络模型，通过CNN-GRU模块和CA-VGG两模块分别提取调制信号的一维时间特征和二维图像特征，进一步构建融合模型以有效提高调制识别性能。MFF模型较好地结合了CNN-GRU和CA-VGG网络的优点，其中CNNs用于提取多种输入特征的变化，GRU层用于处理时间序列模型，CA注意力机制用于提高对信号特征处理的效率与准确性。通过信号的多个特征输入，丰富了每一种调制方式的数据表示形式，实现了不同类型数据特征之间的互补，能够较好地解决信号调制识别问题。同时多特征提取的思想能够更好地提取并融合信号的内在特征，进而提高调制信号的识别准确率。实验结果表明，本文提出的MFF模型在一定程度上结合了不同维度的数据特征，性能上较其他基于深度学习的模型有进一步提高，能够有效提高调制识别准确率。考虑到还可以将信号眼图、信号频率图等数据作为输入，在未来的工作中，本文的模型可以进一步拓展来增加更多的输入特征，进而提高识别准确率。

《基于CNN-GRU和CA-VGG特征融合的调制识别模型》在线阅读地址：基于CNN-GRU和CA-VGG特征融合的调制识别模型