《電子技術應用》
您所在的位置：首頁 > 通信與網(wǎng)絡 > 設計應用 > 一種基于DRSN-GAN的通信信號調制識別方法
一種基于DRSN-GAN的通信信號調制識別方法
網(wǎng)絡安全與數(shù)據(jù)治理
劉高輝，顧家華
西安理工大學自動化與信息工程學院
摘要： 針對在小樣本和低信噪比條件下通信信號調制識別率低的問題，提出了一種基于深度殘差收縮生成對抗網(wǎng)絡（Deep Residual Shrinkage Network and Generative Adversarial Network, DRSN-GAN）的深度學習框架。首先，將信號的同相正交數(shù)據(jù)(I/Q data)作為模型輸入，通過生成器生成的數(shù)據(jù)對數(shù)據(jù)集進行擴充，有效解決了高質量數(shù)據(jù)稀缺的問題，增強了模型的泛化能力。利用DRSN組成判別器，將經(jīng)過擴充的數(shù)據(jù)送入DRSN進行訓練。同時，對輸入數(shù)據(jù)在空間維度上執(zhí)行全局平均池化，利用通道注意力模塊提取I/Q信號的上下文特征，有效減少了噪聲干擾。該方法解決了因固定閾值很難適用于所有樣本而導致的識別準確率低的問題，并在低信噪比環(huán)境下顯著提高了識別效果。實驗結果表明，所提出的模型在信噪比為0 dB時準確率達92%，對比其他模型，整體分類精度提升了3%，且在小樣本和低信噪比條件下表現(xiàn)出更強的魯棒性。
中圖分類號：TN911文獻標識碼：ADOI:10.19358/j.issn.2097-1788.2025.05.006
引用格式：劉高輝， 顧家華. 一種基于DRSNGAN的通信信號調制識別方法［J］.網(wǎng)絡安全與數(shù)據(jù)治理，2025，44（5）：35-41.
A communication signal modulation identification method based on DRSN-GAN
Liu Gaohui， Gu Jiahua
School of Automation and Information Engineering，Xi′an University of Technology
Abstract： A deep learning framework based on deep residual shrinkage network and generative adversarial network (DRSN-GAN) is proposed to address the problem of low recognition rate of communication signal modulation under small samples and low signal-to-noise ratio conditions. First, the in-phase orthogonal data (I/Q data) of the signal is used as the model input, and the dataset is expanded by the generative data generated by the generator, which effectively solves the problem of scarcity of high-quality data and enhances the generalization ability of the model. The DRSN is utilized to form a discriminator, and the expanded data is fed into the DRSN for training. Meanwhile, global average pooling is executed on the input data in the spatial dimension, and the channel attention module is used to extract the contextual features of the I/Q signals, which effectively reduces the noise interference. The method solves the problem of low recognition accuracy due to the difficulty of applying fixed thresholds to all samples, and significantly improves the recognition effect in a low signal-to-noise ratio environment. The experimental results show that the model proposed in this paper has an accuracy of 92% at a signal-to-noise ratio of 0 dB, which improves the overall classification accuracy by 3% compared with other models, and exhibits stronger robustness under the conditions of small samples and low signal-to-noise ratio.
Key words : modulation recognition; residual shrinkage network; generative adversarial network; deep learning

引言

自動調制識別是指通過對接收到的信號進行特征提取和分析，以自動識別和分類不同的調制類型，其在無線通信、雷達系統(tǒng)和信號處理等領域中具有重要的應用［1］。通過自動調制識別，系統(tǒng)能夠快速準確地識別出發(fā)送端使用的調制類型，從而幫助優(yōu)化信號處理和通信系統(tǒng)的性能。隨著無線通信技術的不斷發(fā)展，信號的調制愈加多樣，電磁環(huán)境也變得更加錯綜復雜，因此，探索實時高效的調制識別技術具有重要的現(xiàn)實意義。

傳統(tǒng)調制識別方法受限于先驗知識依賴、計算復雜度高及特征提取主觀性強等問題，難以滿足現(xiàn)代通信系統(tǒng)對靈活性、魯棒性和自適應性的需求［2-4］。因此，自動調制識別技術及其與機器學習，特別是深度學習的結合，為這一難題提供了新的解決方案。深度學習以其強大的自動特征提取能力、端到端學習機制及對先驗知識要求的低門檻，成為自動調制識別領域的研究熱點［5-7］。文獻［8］將改進的卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks, CNN)和長短期記憶網(wǎng)絡(Long ShortTerm Memory, LSTM)相結合，以進一步提高性能并降低深度學習框架的復雜性，結果表明LSTM能更好地利用連續(xù)無線信號樣本之間的時間特征，進一步提高了對高階信號的分類能力；文獻［9］結合深度殘差收縮網(wǎng)絡(Deep Residual Shrinkage Network, DRSN)在信號降噪和提升訓練效率方面的顯著優(yōu)勢，以及門控循環(huán)單元在序列特征提取方面的優(yōu)秀性能，設計了一種輕量化的特征提取和分類識別模型，既保證了信號識別準確率，又顯著降低了模型參數(shù)量和運算復雜度。

然而，深度神經(jīng)網(wǎng)絡需要大量樣本來進行訓練［10］，在無線電信號調制識別任務中常常存在樣本量不足的情況［11］。為了解決這一問題，近年來學術界和工業(yè)界對小樣本條件下的調制識別方法進行了廣泛研究。生成對抗網(wǎng)絡（Generative Adversarial Networks，GAN）作為深度學習的一種前沿技術，為調制識別領域帶來了新的可能性。在調制識別中，GAN可用于生成多樣化的調制信號數(shù)據(jù)，解決高質量數(shù)據(jù)稀缺的問題，同時增強模型的泛化能力。此外，GAN還能通過模擬低信噪比環(huán)境下的信號變化，幫助模型學習在復雜噪聲條件下的有效特征，提升識別性能。文獻［12］從數(shù)據(jù)生成的角度出發(fā)，首次將GAN應用于數(shù)據(jù)的分類識別。文獻［13］提出了一種在小樣本集條件下基于關系網(wǎng)絡的水聲通信信號調制識別方法，該方法設計了一種基于功率譜和關系網(wǎng)絡的調制識別模型，該模型通過在不同通道中構建小樣本訓練任務進行優(yōu)化，這種訓練模式提高了識別方法在目標海域只有少量標記樣本可用時快速分類的能力。文獻［14］提出了一種基于元學習的小樣本調制識別算法，該方法設計了一種由CNN和LSTM并聯(lián)組成的混合特征并行網(wǎng)絡，在小樣本和高信噪比條件下有效地提高了調制識別的性能，但該方法在低信噪比條件下識別率明顯降低。

針對上述問題，本文提出了一種基于DRSN-GAN的通信信號調制識別方法。首先生成網(wǎng)絡利用噪聲生成高質量的生成數(shù)據(jù)，將數(shù)據(jù)集進行擴充；其次設計了一種由殘差收縮單元組成的 DRSN作為判別網(wǎng)絡，利用DRSN中獨特的軟閾值化算法與注意力機制優(yōu)化特征提取，以增強在低信噪比環(huán)境下的識別效果。實驗表明，本文提出的方法在小樣本和低信噪比條件下識別準確率提升效果顯著。


本文詳細內(nèi)容請下載：

http://forexkbc.com/resource/share/2000006545


作者信息：

劉高輝， 顧家華

（西安理工大學自動化與信息工程學院，陜西西安710048）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。