王洋， 馮永新， 宋碧雪， 田秉禾

(沈陽理工大學 遼寧省信息網(wǎng)絡與信息對抗重點實驗室， 遼寧 沈陽 110159)

0 引言

認知化是未來電子對抗技術(shù)發(fā)展的必然趨勢，認知化電子對抗系統(tǒng)通過對周邊環(huán)境信息的感知，并融合動態(tài)歷史資源庫形成完備的作戰(zhàn)策略，從而提升信息對抗的作戰(zhàn)效能[1]。

當前隨著通信終端數(shù)量的與日俱增，電磁環(huán)境復雜化、調(diào)制波形先進化以及頻譜擁塞等多種因素均給信息感知帶來巨大困難。調(diào)制方式的識別是信號分析的先決條件，對認知化電子對抗系統(tǒng)的發(fā)展有著重大的意義。

目前，常見的調(diào)制識別算法有兩類，Huang等[2]和Shi等[3]提出的基于最大似然估計的調(diào)制識別算法，其思想是在對信號特征量統(tǒng)計分析的基礎上，采用概率理論、決策理論及假設檢驗理論實現(xiàn)信號的識別，該算法受限于計算量大和復雜度高的問題，難以在實際中應用。張笑宇等[4]、Dong等[5]、Liang等[6]提出的基于特征分類識別的算法，利用信號時域瞬時特征、高階統(tǒng)計量特征以及變域特征等進行分類。當信噪比大于5 dB時，該算法可對給定信號調(diào)制方式實現(xiàn)有效的識別，但當信噪比低于5 dB時，其識別能力明顯下降。

近年來，深度學習在調(diào)制自動識別領域得到了廣泛的應用[7]，目前基于深度學習的調(diào)制自動識別算法主要包含兩類：一類是基于特征圖像的識別算法，包括目標信號的時頻特征圖[8]、星座圖[9]、高階譜相關(guān)圖[10]等，此類算法在特征解釋上有較強的說服力，不過在圖像生成前的預處理及圖像輸入網(wǎng)絡模型后的處理上都將產(chǎn)生額外的資源開銷；另一類是直接利用深度學習網(wǎng)絡對原始信號進行處理[11-12]，實現(xiàn)調(diào)制自動識別。該方法不需要對原始信號進行預處理，避免了在預處理過程中加入先驗因素，確保原始特征的完整，但同時也保留了通信系統(tǒng)中的大量噪聲，從而增加了網(wǎng)絡的開銷，如Lin等[13]提出的HybridNet網(wǎng)絡，該網(wǎng)絡通過融合信道注意力機制和信號的時間相關(guān)性機制對信號在不同信噪比下的特征進行提取，并實現(xiàn)了高效的分類識別，但因其參數(shù)量較大、訓練時間較長限制了其應用場景。此外，很多學者通過將傳統(tǒng)信號處理技術(shù)與深度神經(jīng)網(wǎng)絡進行結(jié)合，實現(xiàn)了調(diào)制方式的有效識別，如張?zhí)祢U等[14]提出一種基于獨立分量分析與神經(jīng)網(wǎng)絡相結(jié)合的調(diào)制識別算法，實現(xiàn)了調(diào)制方式的高效識別；江偉華等[15]提出了一種基于獨立變量分析與神經(jīng)網(wǎng)絡相結(jié)合的調(diào)制識別算法，實現(xiàn)了調(diào)制方式的高效識別；安澤亮等[16]首先采用迫零盲均衡技術(shù)對信號表征能力進行增強，然后利用卷積神經(jīng)網(wǎng)絡(CNN)實現(xiàn)對信號調(diào)制方式的準確識別。

從實際應用性出發(fā)，盡管傳統(tǒng)深度神經(jīng)網(wǎng)絡具有良好的特征提取能力、較高的識別準確率及泛化能力，但由于其自身網(wǎng)絡結(jié)構(gòu)復雜度高、參數(shù)量和計算量大等不足，很大程度上限制了它在實際環(huán)境中的應用。

針對以上問題，本文提出了雙路降維CNN(DP-DRCnet)，以非合作通信接收方為背景，對多種不同信號調(diào)制方式的識別能力進行研究分析，并對該網(wǎng)絡的參數(shù)量及計算量進行評估。

1 卷積層特征提取及開銷控制分析

卷積層是CNN的核心，卷積層中卷積核的合理設計有助于準確提取數(shù)據(jù)的特征及控制網(wǎng)絡的開銷[17]。

一般地，需要提取的特征都是高度非線性的，對于傳統(tǒng)的CNN網(wǎng)絡，為更好地提取潛在的特征，通常需要選擇超完備的卷積層把所有可能的特征全部覆蓋，但將使得網(wǎng)絡參數(shù)量十分龐大，導致網(wǎng)絡性能較差。因此依據(jù)數(shù)據(jù)樣本結(jié)構(gòu)設計相對合理的卷積層，是實現(xiàn)高性能網(wǎng)絡的有效手段。

文獻[11]中，選用1×8維卷積核對I/Q兩路數(shù)據(jù)進行獨立的縱向自相關(guān)特征提取；文獻[12]中，首先選用1×3維卷積核對I/Q兩路數(shù)據(jù)進行縱向自相關(guān)特征提取，之后選用2×3維卷積核獲取橫向的互相關(guān)特征；文獻[18]是在文獻[11]基礎上的改進，先選用2×1維卷積核對數(shù)據(jù)特征進行提取，后選取1×3維卷積核，從而有效降低了網(wǎng)絡開銷。

從數(shù)據(jù)特征提取的角度分析，文獻[11]選用單路自相關(guān)方案獲取I/Q兩路數(shù)據(jù)縱向自相關(guān)特征；文獻[12]和文獻[18]選用自相關(guān)和互相關(guān)混合方案獲取I、Q路混合相關(guān)特征。圖1、圖2分別給出了文獻[11]和文獻[18]的特征提取可視化過程。從圖1、圖2中可以看出，對于相同的輸入樣本，不同提取方案輸出的特征存在很大差異，同時文獻[18]也證明了混合相關(guān)特征比單獨自相關(guān)特征更有利于信號的識別。但是，由于自相關(guān)和互相關(guān)特征混合會產(chǎn)生部分特征的抵消，從而降低了信號識別的準確度。

圖1 卷積層(1×8)特征提取可視化過程[11]Fig.1 Visualization process of the extraction of convolution layers (1×8) features[11]

圖2 卷積層(2×1) (1×3)特征提取可視化過程[18]Fig.2 Visualization process of the extraction of convolution layers (2×1) (1×3)features[18]

CNN的開銷主要來源于卷積層的參數(shù)量和計算量。

Pm=Wk×Hk×Ni×No+K×No

(1)

式中：Pm為卷積層的參數(shù)量；Wk、Hk分別為卷積核的寬和高，(Wk×Hk)為卷積核的維度；Ni為輸入通道數(shù)；No為輸出通道數(shù)；K為偏置項參數(shù)。

從卷積層參數(shù)量的角度分析，式(1)為卷積層參數(shù)量的計算通用公式，當卷積層偏置項bias=Ture時K=1；當bias=False時K=0；當采用BN層時K=3。由式(1)可知，Pm由卷積核的維度和輸入輸出的通道數(shù)(即卷積核的數(shù)量)決定。文獻[11]中指出，將I/Q原始信號作為輸入信號的CNN，適當減少卷積層中卷積核的數(shù)量對特征提取的性能不會產(chǎn)生明顯的影響，因此降低卷積層輸入和輸出的通道數(shù)可有效降低卷積層的參數(shù)量。

另一方面，小維度卷積核的使用同樣可以控制網(wǎng)絡參數(shù)量的使用，但同時也限制了網(wǎng)絡提取特征的能力。文獻[19]和文獻[20]指出，小維度卷積核對特征提取能力的影響可通過增加網(wǎng)絡層的深度和寬度來解決。

從卷積層計算量的角度分析，式(2)給出了單個卷積層計算量公式，式(3)和式(4)給出了輸入特征維度和輸出特征維度關(guān)系：

Cm=Wk×Hk×Ni×No×Swo×Sho

(2)

(3)

(4)

式中：Cm為卷積層的計算量；S為步長；Swo、Sho分別為輸出特征的寬和高，(Swo×Sho)為卷積層輸出特征維度；Swi、Shi分別為輸入特征的寬和高，(Swi×Shi)為卷積層輸入特征維度；Pwp、Php分別為填充數(shù)據(jù)的寬和高，(Pwp×Php)為卷積核的填充維度。

不失一般性，令Swi=Sho、Wk=Hk、Pwp=Php、S=1，可得到計算量與輸入特征維度之間關(guān)系式。

由式(5)可看出，在給定卷積核維度和輸入輸出通道數(shù)的前提下，隨著卷積層輸入特征的維度增大，卷積層的計算量近乎以平方數(shù)列形式增長。因此限制網(wǎng)絡模型中每個卷積層輸入特征的維度可有效控制網(wǎng)絡的計算量。

(5)

2 DP-DRCnet網(wǎng)絡結(jié)構(gòu)及特征提取算法

本文提出的DP-DRCnet網(wǎng)絡模型是對傳統(tǒng)CNN的一種改進。首先，本文網(wǎng)絡模型采用兩路并行從兩個維度對數(shù)據(jù)的特征進行提取，在保證特征提取全面性的同時避免了不同特征間產(chǎn)生交叉影響；其次，采用小維度卷積核和恒定通道數(shù)控制網(wǎng)絡模型的參數(shù)量；最后，在每層卷積層輸出后，采用自適應池化方案對輸出特征進行降維處理，實現(xiàn)了網(wǎng)絡模型計算量的有效控制，并保證了網(wǎng)絡模型的可擴展性。

DP-DRCnet網(wǎng)絡采用的是雙路、兩類特征并行提取的方案，以2×128維I/Q數(shù)據(jù)為例，式(6)給出了單樣本數(shù)據(jù)的樣式。

(6)

為便于描述起見，設卷積層為單通道輸入輸出，步長S=1，padding=0，上下兩路卷積核可表示為

(7)

(8)

式中：ωu1、ωu2與ωd1、ωd2、ωd3均為卷積核的權(quán)重。則上下兩路輸出的特征為

outu=[y′1…y′i…y′128]

(9)

(10)

圖3以8相相移調(diào)制(8PSK)信號的I/Q兩路數(shù)據(jù)為例，作為雙路CNN的輸入信號，給出了其特征提取可視化過程?？紤]到感受野和網(wǎng)絡開銷的因素，本文網(wǎng)絡卷積層采用1×3和2×1維度卷積核，分別對I/Q兩路數(shù)據(jù)縱向自相關(guān)和橫向互相關(guān)的特征進行提取，再將特征合并后輸出。從圖3中可以看出，該網(wǎng)絡提取的特征具有互補性優(yōu)勢，提高了網(wǎng)絡特征獲取能力。

如圖4所示，DP-DRCnet網(wǎng)絡由上下兩路組成，借鑒文獻[19-20]卷積核的設計理論思想，兩路并行采用多個2×1和1×3的小維度卷積核進行特征提取。在每個卷積層后，利用自適應池化層將原有的輸出維度降低為原來的一半，之后將兩路特征合并，通過全連接層進行分類輸出。

圖5給出了DP-DRCnet網(wǎng)絡特征提取算法，該算法可靈活地對上下兩路網(wǎng)絡深度進行配置，具備較強的擴展性(見圖6)。此外r(n)可為多種不同維度(例如2×128，2×256，…)的輸入信號，不會被全連接層輸入特征維度的固定性所局限[21]。

圖3 雙路卷積層(1×3)、(2×1)特征提取Fig.3 Feature extraction of two-path convolution layers (1×3)，(2×1)

圖7給出了DP-DRCnet網(wǎng)絡中自適應池化層的輸出維度，該維度由全連接層輸入特征維度、卷積核數(shù)量和該自適應池化層所處的層數(shù)所決定。文獻[19-21]指出，池化層的輸出特征維度通常隨著網(wǎng)絡層深度加深而減小，一般情況下兩層間輸出維度相差2倍。

使用DP-DRCnet(numu，numd，numk)來表示網(wǎng)絡中的具體參數(shù)，上路由numu個convu和avgu組成，下路由numd個convd和avgd組成，其中卷積層中卷積核的數(shù)目為numk。表1以輸入信號的維算法：DP-DRCnet網(wǎng)絡特征提取算法度2×128為例，給出了DP-DRCnet(2，2，32)網(wǎng)絡的具體參數(shù)。

圖4 DP-DRCnet網(wǎng)絡結(jié)構(gòu)Fig.4 Structure of the DP-DPCnet network

表1 DP-DRCnet(2，2，32)網(wǎng)絡模型參數(shù)Table 1 Model parameters of DP-DRCnet(2，2，32)

3 對比網(wǎng)絡模型的參數(shù)配置

將DP-DRCnet網(wǎng)絡兩路卷積核的維度均改為 1×3 和2×1，生成單獨縱向自相關(guān)網(wǎng)絡模型和橫向互相關(guān)模型，分別記作DP-DRCnetd和DP-DRCnetu，與DP-DRCnet網(wǎng)絡進行調(diào)制識別準確度對比，用于驗證雙路網(wǎng)絡不同卷積核對特征提取的有效性。以輸入信號維度為2×128為例，表2、表3分別給出了DP-DRCnetd(2，2，32)和DP-DRCnetu(2，2，32)，網(wǎng)絡模型的參數(shù)。

表2 DP-DRCnetdown(2，2，32)網(wǎng)絡模型參數(shù)Table 2 Model parameters of DP-DRCnetd(2，2，32)

此外，為驗證DP-DRCnet網(wǎng)絡性能，本文選擇CLDNN[11]、CNN_LSTM[12]及IQCNet[18]網(wǎng)絡模型，與DP-DRCnet(4，4，32)網(wǎng)絡進行調(diào)制識別準確度及網(wǎng)絡開銷對比。

表3 DP-DRCnetup(2，2，32)網(wǎng)絡模型參數(shù)Table 3 Model parameters of DP- DRCnetu(2，2，32)

CLDNN網(wǎng)絡由CNN、LSTM與DNN構(gòu)成，其主要特點是具有良好的時間相關(guān)特征提取能力；CNN_LSTM網(wǎng)絡是在CLDNN網(wǎng)絡基礎上的改進，利用LSTM代替全連接層，在減少網(wǎng)絡計算量的同時提高了調(diào)制識別的準確率。以上兩種網(wǎng)絡模型均采用較大的參數(shù)量或計算量來達到提高識別準確率的目的；IQCNet網(wǎng)絡是一種輕量級CNN，通過改變卷積核的維度降低了輸入數(shù)據(jù)的尺度，從而使該網(wǎng)絡的參數(shù)量僅為CNN_LSTM網(wǎng)絡的10%，可達到近乎相同的識別準確度。表4給出了以上3種網(wǎng)絡的參數(shù)配置。

表4 對比網(wǎng)絡的模型參數(shù)Table 4 Model parameters of the network for comparison

4 仿真實驗及分析

4.1 仿真數(shù)據(jù)

實驗數(shù)據(jù)采用Tim O’SheaTim的RLM2016.10a數(shù)據(jù)集[11]，此數(shù)據(jù)集中包含11種不同調(diào)制方式，分別為8PSK、AM-DSB、AM-SSB、BPSK、CPFSK、GFSK、PAM4、16QAM、64QAM、QPSK和WBFM。每種調(diào)制方式有10 000個樣本，平均分布在-6～12 dB信噪比內(nèi)，總樣本數(shù)為110 000。同一信噪比下的樣本數(shù)為11 000。

在同一信噪比下，將數(shù)據(jù)集的80%作為訓練集和驗證集，記作A，20%為測試集，記作T。將A隨機均分成8份，循環(huán)選擇其中1份作為驗證集，記作Vi，剩余部分為訓練集，記作Pi，其中i為循環(huán)次數(shù)，取值范圍為{1≤i≤8，i∈Z}，可獲得每次訓練和驗證數(shù)據(jù)對，記作{Pi，Vi}。

4.2 模型訓練流程

信噪比范圍為-6～12 dB，間隔為2 dB，在同一信噪比下進行8次實驗，具體訓練流程如圖8所示，從{Pi，Vi}中選擇Pi對DP-DRCnet網(wǎng)絡模型進行訓練，利用Vi對已訓練好的模型進行驗證，得到該訓練模型的識別準確率，經(jīng)過8次試驗后計算識別準確率的均值acc，找出距離acc最近的識別準確率acci，選擇獲得acci的模型作為最終模型，利用測試集T對生成的最終模型進行測試，最后得到該模型調(diào)制識別的準確率。

4.3 仿真結(jié)果分析

4.3.1 特征提取有效性驗證

實驗分別選擇不同支路深度的DP-DRCnet、DP-DRCnetd和DP-DRCnetu網(wǎng)絡進行對比。驗證DP-DRCnet網(wǎng)絡在同等條件下對信號特征提取的有效性，是否有助于識別準確度的提高。

圖8 模型訓練流程Fig.8 Model training process

圖9給出了采用32個卷積核在不同深度下的DP-DRCnet、DP-DRCnetd和DP-DRCnetu網(wǎng)絡識別準確率。圖10給出了DP-DRCnet(4，4，32)、DP-DRCnet(4，4，24)和DP-DRCnet(4，4，16)網(wǎng)絡識別準確率。

圖9 不同深度識別度對比Fig.9 Comparsion of recognition at different depths

圖10 相同深度不同數(shù)量卷積核識別度對比Fig.10 Comparison of recognition of convolution kernels with different numbers butthe same depth

由圖9、圖10可知：DP-DRCnet網(wǎng)絡隨著支路網(wǎng)絡層深度的增加，平均識別率有明顯的提升；在相同的深度下，卷積核的數(shù)量對DP-DRCnet網(wǎng)絡的平均識別率影響較小。

圖11、圖12分別給出了DP-DRCnet(4，4，32)、DP-DRCnetu(4，4，32)和DP-DRCnetu(4，4，32)網(wǎng)絡信噪比在0 dB和12 dB時11種信號的F1-score得分柱狀圖。圖8、圖9從對不同調(diào)制信號識別的角度進行了分析。由圖8、圖9可知，在0 dB和12 dB條件下，DP-DRCnet(4，4，32)網(wǎng)絡對11種調(diào)制信號識別的F1-score得分均高于另外兩種網(wǎng)絡。

圖11 F1-score對比(SNR=0)Fig.11 F1 score comparison (SNR=0)

圖12 F1-score對比(SNR=12)Fig.12 F1 score comparison (SNR=12)

表5分段列出了信噪比在-6～12 dB范圍內(nèi)信號的平均識別率。DP-DRCnet網(wǎng)絡在支路深度為2時，其平均識別準確率超過相同條件下另兩個網(wǎng)絡1.4%左右；當深度為3時超出值為3.1%左右；當深度為4時該值達到4.5%左右。

表5 識別率對比Table 5 Comparison of recognition rate %

由此可見，當網(wǎng)絡層支路深度增加時，DP-DRCnet的識別度準確率有顯著的提升。當支路深度大于1時，DP-DRCnet的平均識別度均高于其他兩種網(wǎng)絡，并且隨著支路網(wǎng)絡深度增加，該網(wǎng)絡的優(yōu)勢將更加明顯，從而證明本網(wǎng)絡特征提取的有效性。

4.3.2 網(wǎng)絡性能對比

實驗選擇CLDNN、CNN_LSTM和IQNet(5，32)與DP-DRCnet(4，4，32)進行對比，圖13給出了4種網(wǎng)絡的在不同信噪比下的識別準確度對比；表6分段列出了4種網(wǎng)絡在不同信噪比下的平均識別準確率。

圖13 識別率對比Fig.13 Comparison of recognition rate

由圖13和表6可知，信噪比在-6～0 dB條件下，DP-DRCnet(4，4，32)網(wǎng)絡的平均識別準確率為76.59%，相比CLDNN、CNN_LSTM和IQNet(5，32)網(wǎng)絡分別提升了10.64%、4.72%和8.58%；信噪比在2～6 dB條件下，DP-DRCnet(4，4，32)網(wǎng)絡的平均識別準確率達到90.2%，相比CLDNN、CNN_LSTM和IQNet(5，32)網(wǎng)絡分別提升了7.38%、4.13%和2.55%；信噪比在8～12 dB條件下，DP-DRCnet(4，4，32)網(wǎng)絡的平均識別準確率達到92.71%，相比CLDNN、CNN_LSTM和IQNet(5，32)網(wǎng)絡分別提升了8.04%、4.23%和4.09%。

表6 識別率對比Table 6 Comparison of recognition rate %

表7給出了4種網(wǎng)絡的參數(shù)量和單次樣本計算量，DP-DRCnet(4，4，32)網(wǎng)絡的參數(shù)量和單次樣本計算量明顯少于其他3種網(wǎng)絡，CLDNN、CNN_LSTM、IQNet(5，32)網(wǎng)絡的參數(shù)量和單樣本計算量分別為DP-DRCnet(4，4，32)網(wǎng)絡的5.16、41.05、1.26倍和36.94、17.98、3.08倍，此外在RTX3090，內(nèi)存32G訓練平臺上，當每批訓練數(shù)據(jù)(batch size)大小為512時，CLDNN、CNN_LSTM、IQNet(5，32)網(wǎng)絡的訓練時間和測試時間分別為DP-DRCnet(4，4，32)網(wǎng)絡的32.18、12.46、1.6倍和20.64、9.81、2.07倍。

表7 網(wǎng)絡參數(shù)與計算量Table 7 Network parameters and computational load

總體來看，DP-DRCnet(4，4，32)網(wǎng)絡的平均識別率高于其他3種網(wǎng)絡。CLDNN網(wǎng)絡的平均識別率最低，IQNet(5，32)網(wǎng)絡的平均識別率略低于CNN_LSTM網(wǎng)絡，但其網(wǎng)絡參數(shù)量和單次樣本計算量遠低于CNN_LSTM網(wǎng)絡，因此IQNet(5，32)網(wǎng)絡性能優(yōu)于CNN_LSTM網(wǎng)絡，DP-DRCnet(4，4，32)網(wǎng)絡性能為最佳。

4.3.3 信號調(diào)制識別能力驗證

本節(jié)給出DP-DRCnet(4，4，32)網(wǎng)絡和IQNet(5，32)網(wǎng)絡對不同調(diào)制方式信號的識別率。為更客觀地評測網(wǎng)絡性能，采用F1-score作為測評標準，給出網(wǎng)絡對單個信號識別能力的得分；此外利用混淆圖，給出網(wǎng)絡對多個信號分辨能力的仿真結(jié)果。

圖14、圖15給出了DP-DRCnet(4，4，32)和IQNet(5，32)網(wǎng)絡在0 dB和12 dB下11種信號的F1-score得分柱狀圖。由圖14、圖15可知：DP-DRCnet(4，4，32)網(wǎng)絡在0 dB條件下，11種信號識別的F1-score得分均高于IQNet(5，32)網(wǎng)絡，其中有10種信號的得分超過0.7，7種信號的得分超過0.9；在12 dB條件下，除AM-DSB信號得分略低于IQNet(5，32)網(wǎng)絡得分外，其余信號得分均高于IQNet(5，32)網(wǎng)絡，且有9種信號的得分超過0.9。

圖14 F1-score對比(SNR=0)Fig.14 F1 score comparison(SNR=0)

圖15 F1-score得分對比(SNR=12)Fig.15 F1 score comparison (SNR=12)

圖16、圖17、圖18、圖19分別給出了DP-DRCnet(4，4，32)網(wǎng)絡和IQNet(5，32)網(wǎng)絡，在0 dB和12 dB條件下信號識別的混淆圖。通過對比圖16～圖19可知，隨著信噪比的提高，IQNet(5，32)網(wǎng)絡和DP-DRCnet(4，4，32)網(wǎng)絡均可緩解QPSK和BPSK信號混淆的問題，但由于信噪比的提升，QAM16和QAM64兩種調(diào)制方式的特征相似性將更加明顯，IQNet(5，32)網(wǎng)絡喪失了對這兩種信號特征的分辨能力。而DP-DRCnet(4，4，32)網(wǎng)絡可有效地對QAM16和QAM64兩種調(diào)制方式的識別。

圖16 DP-DRCnet(4，4，32)識別混淆圖(SNR=0)Fig.16 Recognition confusion map of DP-DRCnet (4，4，32)(SNR=0)

圖17 DP-DRCnet(4，4，32)識別混淆圖(SNR=12)Fig.17 Recognition confussion map of DP-DRCnet(4， 4，32)(SNR=12)

圖18 IQNet(5，32)識別混淆圖(SNR=0)Fig.18 Recognition confusion map of IQNet(5，32) (SNR=0)

圖19 IQNet(5，32)識別混淆圖(SNR=12)Fig.19 Recognition confusion map of IQNet(5，32) (SNR=12)

值得注意的是，為客觀地驗證DP-DRCne網(wǎng)絡的性能，本文采用的是RLM2016.10a公開數(shù)據(jù)集，在該數(shù)據(jù)集中WBFM和AM-DSB樣本是通過采樣模擬音頻信號生成的，其中存在較多的靜默周期[11]，因此導致WBFM和AM-DSB產(chǎn)生嚴重的混淆。

5 結(jié)論

本文提出了一種輕量級的CNN，采用雙路降維的方法并行提取I/Q信號的縱向自相關(guān)特征和I/Q信號的橫向互相關(guān)特征，在保證調(diào)制自動識別準確率的同時，也有效地控制了網(wǎng)絡參數(shù)量和計算量。本文采用RLM2016.10a數(shù)據(jù)集，信噪比在-6～12 dB條件下，對11種調(diào)制方式進行驗證。

仿真結(jié)果表明：DP-DRCnet網(wǎng)絡模型具有較高的調(diào)制自動識別能力，同時網(wǎng)絡參數(shù)量及計算量均低于目前高識別率的輕量級CNN模型，證明DP-DRCnet網(wǎng)絡模型是一種高效率、高準確率的輕量級網(wǎng)絡模型，適合應用在極端環(huán)境的調(diào)制自動識別系統(tǒng)中。