基于GRU-CNN并联神经网络的自动调制识别

向 建,高 勇

(四川大学 电子信息学院，成都 610065)

0 引 言

自动调制识别是频谱感知、电子对抗和防御等领域中的重要技术之一[1-2]。传统的基于人工提取特征的调制识别算法分类精度不如预期。近年来，研究人员采用基于深度学习(Deep Learning,DL)的自动调制识别(Automatic Modulation Recognition，AMR)算法极大地提高了对输入数据提取高维特征的能力，从而使通信系统能够以更高的精度识别复杂多样的调制方式[3]。

业界学者已经提出了许多基于DL的AMR方法。文献[4]对调制信号的同相和正交分量(IQ)数据进行仿真实验，展示了卷积神经网络、残差网络(ResNet)等网络结构进行调制分类的性能，得出分类精度不受网络深度的限制的结论。随着基于深度学习的AMR方法的发展，研究人员开始从数据预处理和深度学习模型改进两方面来提高分类性能。文献[5]提出将IQ数据转换为振幅和相位信息，在使用长短期记忆网络(Long Short-Term Memory，LSTM)模型的试验中取得了相对于IQ数据更好的效果，突出了数据预处理和适当的数据表示的重要性。文献[6]提出用二值星座图表示调制信号，并用灰度图像和三通道图像优化星座的表示。文献[7]采用星座图对难以区分的调制方式如16QAM和64QAM进行分类，提出用密度窗来捕获这两种调制模式的数据分布差异。实践中仅使用单一网络进行调制分类对提高分类精度有一定限制，文献[8]提出了卷积神经网络(Convolutional Neural Network,CNN)和LSTM神经网络并联的网络结构，将原始IQ数据直接送入，可在较低信噪比下取得较好的识别率。

本文提出一种新的基于并联GRU-CNN神经网络的AMR方法。……