馬運壯 賀英 鄭鑫

摘要：針對瑞利信道調(diào)制信號存在的識別困難問題，本文提出一種基于時隙IQ信號的輕量級調(diào)制信號識別網(wǎng)絡。將輸入的IQ信號分不同的時隙，依次經(jīng)過改進的GhostNet網(wǎng)絡，提取信號的空間特征，并將多路時隙特征并行送入雙向長短期記憶網(wǎng)絡（bi-directional long short-term memory network，BiLSTM），提取信號的時域特征，最后由全連接網(wǎng)絡（deep neural network，DNN）完成分類。同時，對仿真得到的多進制數(shù)字相位調(diào)制（multiple phase shift keying，MPSK）、多進制正交幅度調(diào)制（multiple quadrature amplitude Modulation，MQAM）等8種調(diào)制信號進行實驗。實驗結(jié)果表明，當慢衰落和快衰落信道在0 dB時，其識別準確率均能達到90%以上，說明GLDN模型具有良好的抗噪聲和抗衰落性能，該模型對8種調(diào)制方式識別的F1-Score均在0.93以上，有效提升了高階調(diào)制方式的識別性能，而且通過合理劃分時隙長度，模型在更少的參數(shù)量下取得了較高的精度。該研究在非合作通信系統(tǒng)中具有重要意義。

關(guān)鍵詞：調(diào)制識別； 瑞利信道； 時隙IQ信號； GhostNet； 雙向長短期記憶網(wǎng)絡

中圖分類號：TN911.3； TP183 文獻標識碼：A

文章編號：1006-9798（2023）02-0060-08； DOI：10.13306/j.1006-9798.2023.02.009

基金項目：國家自然科學基金資助項目（61701271）

作者簡介：馬運壯（1997-），男，碩士，主要研究方向為信號處理和機器學習。

通信作者：賀英，女，博士，助理教授，主要研究方向為信號處理和機器學習等。Email：yinghe@qdu.edu.cn

自動信號調(diào)制方式識別是信號檢測與解調(diào)的中間步驟。自動調(diào)制識別在自適應調(diào)制、通信監(jiān)視與頻譜管理、電子戰(zhàn)與情報偵察等領(lǐng)域具有廣泛應用。目前，大多數(shù)調(diào)制信號識別研究是針對高斯信道，而實際通信時還會受到衰落、時延等因素的影響，導致信號調(diào)制方式識別困難。在非合作通信中，如何實現(xiàn)瑞利衰落信道下自動調(diào)制識別具有重要的研究意義。在調(diào)制信號識別研究中主要有兩種方法：一種是基于似然的決策理論方法［1］，另一種是特征提取的模式識別方法［2］。決策理論方法采用概率論和假設(shè)檢驗理論進行調(diào)制方式識別，K.KIM 等人［3］采用平均似然比的方法成功識別出二進制相移鍵控（binary phase shift keying，BPSK）和四進制正交相移鍵控（quadrature phase shift keying，QPSK）；O.A.DOBRE等人［4］在瑞利衰落和萊斯衰落條件下進行仿真實驗，應用混合似然比檢驗方法，對6種常見的調(diào)制信號進行識別。由于決策理論方法需要依賴信道環(huán)境的先驗知識，因此這種方法的實用性不高?；谔卣魈崛〉哪Ｊ阶R別方法分兩步，第1步是提取原始信號的特征，包括瞬時特征［6］、循環(huán)譜［7］、小波變換特征［8］等；第2步是將提取到的特征進行分類，采用支持向量機 ［9］（support vector machine，SVM）和決策樹［10］等傳統(tǒng)的機器學習算法作為分類器。針對高斯白噪聲（additive white gaussian noise，AWGN）信道，S.HASSANPOUR等人［9］提取信號的時域、頻域、小波域的特征集合，設(shè)計了一種改進的SVM作為分類器，能夠?qū)ASK、BFSK、BPSK、4ASK、4FSK、QPSK、16QAM七種低進制調(diào)制方式準確識別，當信噪比為-10 dB時，算法可以達到98%的識別精度。對于瑞利信道的調(diào)制信號識別，ZHU H等人［10］使用信號的四階累積量和六階累積量的組合作為輸入特征，采用決策樹實現(xiàn)了較好的調(diào)制信號分類效果，當信噪比大于4 dB時，7種調(diào)制信號準確率可達90% 以上，但在0 dB以下，識別性能下降明顯。傳統(tǒng)機器學習的缺點是特征提取需要依賴人工完成，并且擬合能力有限，不適用于對復雜環(huán)境下大規(guī)模數(shù)據(jù)進行建模。近年來，深度學習迅速發(fā)展，許多學者將其運用到調(diào)制信號識別領(lǐng)域，利用神經(jīng)網(wǎng)絡對調(diào)制信號自動提取特征?；谏疃葘W習的調(diào)制信號識別方法主要有基于原始同相正交（in-phase-quadrature，IQ）信號的方法和基于圖像的方法?；贗Q信號的識別是將原始IQ信號作為神經(jīng)網(wǎng)絡的輸入并進行分類。T.J.OSHEA等人［11］對比了卷積神經(jīng)網(wǎng)絡與基于專家特征的方法，實驗使用卷積神經(jīng)網(wǎng)絡［12］對IQ信號提取特征，識別精度優(yōu)于基于專家特征方法；翁建新等人［13］設(shè)計了卷積和循環(huán)神經(jīng)網(wǎng)絡［14］并聯(lián)的網(wǎng)絡，提取到了IQ信號更豐富的特征，對7種調(diào)制信號在低信噪比下具有較好的識別精度。基于圖像的信號識別［15］是借助深度學習在圖像分類方面的優(yōu)勢，將調(diào)制信號識別任務轉(zhuǎn)化成圖像分類任務。 S.L.PENG等人［16］不再以信號的二值星座圖作為特征輸入，而是轉(zhuǎn)化為增強的三通道星座圖，采用改進的GoogLeNet［17］模型實現(xiàn)調(diào)制分類，與傳統(tǒng)的特征提取方法相比，獲得了更高的精度；Y ZHOU等人［18］提出了一種時隙星座圖的方案，針對瑞利衰落信道下傳統(tǒng)星座圖的混疊現(xiàn)象明顯的問題，將原始信號分時隙，在每個時隙內(nèi)繪制星座圖，利用并行卷積神經(jīng)網(wǎng)絡提取時隙星座圖特征，然后利用BiLSTM進一步提取時序特征，在0～23 dB信噪比范圍內(nèi)，取得了良好的分類效果。盡管時隙星座圖一定程度上解決了瑞利信道下星座圖的混疊問題，但是星座圖的分辨率有限，仍損失了原始IQ信號的部分信息。基于此，本文以瑞利信道為研究對象，采用基于深度學習的方法，在文獻［18］的基礎(chǔ)上進行改進，提出了一種基于時隙IQ信號的調(diào)制信號識別模型GLDN。通過改進的GhostNet網(wǎng)絡，提取IQ信號的空間特征，利用BiLSTM提取時域特征，經(jīng)DNN進行分類。仿真結(jié)果表明，對不同的衰落環(huán)境，GLDN模型具有良好的抗噪聲和抗衰落性能，并且模型的復雜度顯著低于傳統(tǒng)模型。該研究具有一定的創(chuàng)新性和實用價值。

1 基于時隙IQ信號的調(diào)制識別方法

1.1 調(diào)制信號識別系統(tǒng)模型

給出一個典型的調(diào)制信號識別系統(tǒng)，調(diào)制信號識別系統(tǒng)流程圖如圖1所示。圖1中，假設(shè)接收機和發(fā)射機完美同步，原始二進制數(shù)據(jù)流映射成發(fā)送端基帶的調(diào)制信號x［n］，上變頻后經(jīng)過瑞利信道傳輸?shù)浇邮斩耍詈蠼?jīng)下變頻和采樣后得到接收端的IQ信號y［n］。

瑞利信道下，發(fā)送端的基帶調(diào)制信號x［n］與接收端的信號y［n］之間的關(guān)系，可以用離散時間基帶等效模型表示，即

式中，w［n］為信道干擾，一般視為均值為零的加性高斯白噪聲；h［n］表示n時刻的信道系數(shù)，是一個隨機過程；*表示卷積運算。調(diào)制識別可以視為僅通過接收信號的y［n］來識別調(diào)制信號x［n］的格式過程。

1.2 GLDN總體結(jié)構(gòu)

GLDN模型的網(wǎng)絡結(jié)構(gòu)如圖2所示。首先將輸入長度為L的IQ信號序列劃分為 N個時隙，然后利用卷積神經(jīng)網(wǎng)絡，分別對每個時隙的IQ信號提取信號的空間特征。

在卷積神經(jīng)網(wǎng)絡部分，與文獻［18］提出的并行網(wǎng)絡結(jié)構(gòu)不同，GLDN模型僅利用一個改進的GhostNet［18］網(wǎng)絡卷積層作為特征提取器，依次對各個時隙的IQ信號進行特征提取，特征提取過程可為

式中，xi為第i個時隙的輸入；oi為經(jīng)GhostNet特征提取后的輸出特征；wn為卷積層的權(quán)重參數(shù)。

由于來自各個時隙的輸入共享同一組權(quán)重，當劃分的時隙個數(shù)變化時，卷積層的參數(shù)量不變。經(jīng)GhostNet提取特征后，將每個時隙IQ信號對應的輸出并行送入BiLSTM網(wǎng)絡，進一步提取時域特征。BiLSTM由2個LSTM組成，分別從2個方向提取時序特征，最后將2部分輸出特征進行相加融合。BiLSTM的時間步長個數(shù)對應時隙的個數(shù)N，每個時間步長輸出向量的維度都是32，最后將N個維度為32的向量拼接展平后，送3層DNN完成分類，DNN神經(jīng)元個數(shù)分別為32，16，8。

GLDN模型的訓練分2個階段，第1階段是在輸入信號長度為單個時隙長度的IQ信號數(shù)據(jù)集上預訓練GhostNet，將訓練好的GhostNet卷積層嵌入GLDN模型，提取不同時隙IQ信號的空間特征；第2階段訓練GLDN整體模型，包括DNN層的訓練和對GhostNet的卷積層進行微調(diào)。對于長度為36 000個采樣點的輸入信號，模型最終以選擇1 200個采樣點作為單個時隙長度，以更少的參數(shù)量獲得較高的精度，并在實驗部分對時隙劃分的合理性進行驗證。

1.3 GhostNet特征提取層

長度為L的IQ信號維度為2×L，考慮到IQ信號的I分量和Q分量之間的相關(guān)性，首先使用卷積核大小為2×3的卷積操作融合兩路信號，得到X∈R1×l×c，即輸出特征圖的寬度為1，長度為l，通道數(shù)為c。GhostNet［19］是華為提出的輕量級網(wǎng)絡結(jié)構(gòu)，GhostNet模型提出了一種新穎的Ghost module，以更少的參數(shù)量和計算量得到更多的特征圖，并基于Ghost module設(shè)計了類似殘差的Ghost bottleneck（G-bneck）結(jié)構(gòu)。由于Ghost module是專門為圖像識別所設(shè)計的結(jié)構(gòu)，不適于直接對X∈R1×l×c這種形狀的特征圖進行卷積。因此，在 Ghost module內(nèi)部采用卷積核大小為1×d的深度卷積，適用于IQ信號的GhostNet的網(wǎng)絡結(jié)構(gòu)如圖3所示。

由圖3a可知，Ghost module首先使用點卷積生成m個特征圖{yi}mi=1，然后將生成的特征圖利用深度卷積再生成對應的m個特征圖，最后將兩部分特征圖進行拼接輸出2 m個特征圖。與傳統(tǒng)的卷積相比，Ghost module擁有更少的參數(shù)量。給定輸入X∈R1×l×c，輸出Y∈R1×l′×n，n為輸出特征圖的通道數(shù)，l′為輸出特征圖的長度，使用卷積核大小為1×d的普通卷積對應的參數(shù)量為n×c×d，然而Ghost module對應的參數(shù)量為cn+nd/2。理論上，相對于普通卷積的參數(shù)量，改進的Ghost module的壓縮比rs為

由于輸入特征圖通道c的取值通常遠大于卷積核的大小d，因此理論上，Ghost module的參數(shù)量大約比傳統(tǒng)的卷積壓縮了2d倍。在最終模型中，卷積核大小選擇d=3，此時Ghost module 的參數(shù)量大約是普通卷積的1/6倍。

由圖3b可知，利用Ghost module模塊輕量級的優(yōu)勢，設(shè)計了S=2的G-bneck，其由2個堆疊的Ghost module構(gòu)成。第1個Ghost module為輸出32個特征圖的通道擴展層，第2個Ghost module輸出16個特征圖，用于減少輸出層的通道數(shù)量。

由圖3c可知，將shortcut連接到圖3b中2個Ghost module的輸入和輸出之間，并在內(nèi)部使用BN和ReLU激活函數(shù)，同時利用7個改進的G-bneck模塊和3層DNN，搭建適用于IQ信號特征提取的GhostNet網(wǎng)絡。進一步證明GLDN結(jié)構(gòu)的有效性，在實驗部分，將GhostNet直接對IQ信號序列建模的結(jié)果與GLDN進行對比分析。

2 實驗分析

2.1 實驗數(shù)據(jù)與實驗具體細節(jié)

本文實驗數(shù)據(jù)由Matlab仿真生成，信道模型為瑞利衰落信道，慢衰落信道最大多普勒頻移為10～30 Hz，快衰落信道最大多普勒頻移為150～300 Hz，噪聲環(huán)境為0～23 dB。調(diào)制方式包括BPSK、QPSK、8PSK、16QAM、32QAM、64QAM、128QAM和256QAM共8種類型。調(diào)制信號仿真參數(shù)如表1所示。

神經(jīng)網(wǎng)絡算法是基于Python3.6和keras 2.2.4框架實現(xiàn)，模型訓練和測試環(huán)境為Amax服務器，處理器為Intel i9-10940X CPU，3.30 GHz，內(nèi)存為64 GB，GPU為Nvidia GeForce GTX 2080Ti （11 GB）。神經(jīng)網(wǎng)絡的優(yōu)化器均選擇Adam優(yōu)化器，損失函數(shù)選擇交叉熵損失。為防止過擬合，訓練時設(shè)置了earlystop，如果連續(xù)20個epoch模型的精度沒有提升，則提前停止訓練。

2.2 不同信噪比環(huán)境下多模型準確率對比

MCBLDN是基于時隙星座圖構(gòu)建的多輸入網(wǎng)絡，時隙星座圖的分辨率選擇64×64。文獻［20］提出了基于IQ信號的一維卷積神經(jīng)網(wǎng)絡ResNet。實驗1對比了GLDN和GhostNet及這2個模型在0～23 dB時的識別準確率，不同模型準確率隨信噪比變化曲線如圖4所示。

由圖4a可以看出，GLDN模型利用時隙IQ信號作為輸入，利用卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡提取IQ信號的空間特征和時域特征，模型具有良好的抗噪聲性能，信噪比為0 dB時，準確率達90%，隨著信噪比的增高，準確率不斷提升，在高信噪比時，準確率可以達到100%。由于GhostNet僅使用卷積神經(jīng)網(wǎng)絡對IQ信號特征提取，對時域特征的提取能力有限，模型在0～23 dB與GLDN有著明顯的差距，在0 dB時低于GLDN模型近10%。MCBLDN以時隙星座圖作為輸入，在0 dB時與GLDN有15%的差距，說明時隙IQ信號比時隙星座圖具有更好的特征表達能力。ResNet同樣使用卷積神經(jīng)網(wǎng)絡提取信號的時域特征，其準確率遠低于GhostNet，說明GhostNet的網(wǎng)絡結(jié)構(gòu)對IQ信號特征提取能力更強。

由圖4b可以看出，通過對快衰落信道下的模型性能進行比較，當移動端快速移動時，信道沖激響應在符號周期內(nèi)變化很快，通信環(huán)境變差，信道變?yōu)榭焖ヂ湫诺?。當瑞利信道的最大多普勒頻移增大到150～300 Hz時，本文的GLDN模型仍然能保持90%以上的準確率，在0～23 dB時明顯優(yōu)于其他3個模型，MCBLDN、GhostNet、ResNet模型的準確率隨信噪比變化的曲線變得更平緩，模型對噪聲的敏感度降低，但是模型在高信噪比的表現(xiàn)急劇下降。實驗結(jié)果表明，GLDN在不同的信道環(huán)境下具有良好的魯棒性。

2.3 具體調(diào)制方式的識別性能對比

實驗2采用F1-score，評估不同模型具體調(diào)制方式的分類性能，不同調(diào)制方式下的F1-Score識別對比結(jié)果如表2所示。

由表2可以看出，對于低階的PSK調(diào)制信號，以上4種模型均能達到較高的識別精度，而隨著調(diào)制信號階數(shù)的提高，模型的識別性能逐漸變差，尤其是對64QAM和256QAM這兩種高階QAM調(diào)制方式的識別最困難，原因是這兩種調(diào)制信號的分布相似，容易混淆。在慢衰落信道下，GLDN模型僅在64QAM和256QAM兩種調(diào)制方式上不能達到100%的精度，而其它3個模型對后4種QAM調(diào)制方式識別效果普遍較差。當信道環(huán)境改成快衰落信道，ResNet的F1-score下降最為明顯，在 64QAM和256QAM下降20%以上，MCBLDN在64QAM降低6%，256QAM降低5%，GhostNet在64QAM降低6%，256QAM降低13%，而GLDN的精度僅在后4種高階調(diào)制方式降低了1%左右。

以上分析可知，GLDN在快衰落和慢衰落信道下，都能準確識別8種調(diào)制方式，尤其能夠顯著提升快衰落信道下高階QAM的識別效果。

2.4 時隙長度對精度的影響

實驗3研究了單個時隙長度Nst對模型準確率的影響，模型精度隨Nst變化曲線如圖5所示。由圖5可以看出，無論是慢衰落還是快衰落信道，GLDN和MCBLDN 2種模型的準確率都隨單個時隙長度的增大而下降，基于時隙IQ信號的GLDN模型，相對于基于時隙星座圖的MCBLDN模型，在不同的Nst都有顯著提高，尤其在快衰落信道下，提升更明顯。而在快衰落信道下，模型精度對Nst的變化更敏感，當Nst從400變化到9 000時，在慢衰落信道，GLDN的準確率下降3.2%，而在快衰落信道，GLDN的準確率下降4.1%。在MCBLDN上，同樣的現(xiàn)象更顯著，當Nst從400變化到9 000時，在慢衰落信道，模型準確率下降4.3%，而在快衰落信道，模型準確率下降6.2%，MCBLDN需要更短的Nst才能實現(xiàn)較高的精度，對時隙劃分的方式依賴較高。

2.5 模型參數(shù)量對比

在實際通信環(huán)境中，尤其是硬件限制的條件下，模型的復雜度起決定性作用。實驗4通過模型的參數(shù)量衡量了不同模型復雜度，不同模型的參數(shù)量對比結(jié)果如表3所示。

由表3可以看出，本文的GLDN模型參數(shù)量顯著低于其它模型，擁有更高的實用價值。對于MCLDN，Nst越長，模型的參數(shù)量越少，因為對于任意的Nst，時隙星座圖都是固定的分辨率，而時隙的個數(shù)隨著Nst的增大而減少，從而減少了模型整體的復雜度。由于GLDN的輸入為原始IQ信號，越大的Nst意味著單個時隙IQ信號越長，從而對應GhostNet輸出的特征維度越長，由于輸入信號的總長度固定，因此對應時隙的個數(shù)越少，模型的參數(shù)量和Nst呈非線性關(guān)系，導致參數(shù)量在一定范圍內(nèi)隨Nst增大而減小，當Nst超過一定范圍后，模型的參數(shù)量則逐漸增大，在1 200時，參數(shù)量最小。結(jié)合圖5，當Nst=1 200時，與Nst=400時相比，在不同的信道，GLDN模型的準確率幾乎沒有下降，而模型的參數(shù)量減少了40%，因此最后選擇1 200作為單個時隙的長度，有效平衡了模型的復雜度和精度。根據(jù)文獻［12］的實驗結(jié)果，在慢衰落信道下，MCBLDN選擇Nst=4 000，在快衰落信道下，MCBLDN選擇Nst=1 200。在慢衰落信道下，GLDN參數(shù)量比MCBLDN減少54%，而快衰落時減少65%。

3 結(jié)束語

本文基于深度學習方法，構(gòu)建了一種以時隙IQ信號作為輸入的神經(jīng)網(wǎng)絡GLDN。首先將IQ信號分時隙輸入改進的GhostNet提取信號的空間特征，然后利用BiLSTM進一步提取時域特征。實驗結(jié)果表明，在瑞利慢衰落和快衰落信道下，GLDN模型明顯優(yōu)于基于時隙星座圖的MCBLDN模型，GLDN模型以更少的參數(shù)量取得了更高的精度。模型對仿真得到的8種調(diào)制方式的識別都能達到較高的識別準確率，尤其是能夠顯著提升快衰落下高階QAM的識別精度。模型的準確率隨著時隙長度的增大而下降，而模型的復雜度與時隙長度呈非線性關(guān)系，選擇1 200個采樣點作為單個時隙長度，使GLDN擁有較高的精度和更少的參數(shù)量。本文僅針對單徑瑞利衰落信道進行實驗，未來可以考慮將模型應用到更復雜的環(huán)境。

參考文獻：

［1］ YUAN Y，ZHAO P，WANG B，et al. Hybrid maximum likelihood modulation classifification for continuous phase modulations［J］. IEEE Commun Lett，2016，20（3）：450-453.

［2］ ZHANG Z，WANG C，GAN C，et al. Automatic modulation classifification using convolutional neural network with features fusion of SPWVD and BJD［J］. IEEE Trans Signal Inf. Process. over Netw，2019，5（3）：469-478.

［3］ KIM K，POLYDOROS A. Digital modulation classification：the BPSK versus QPSK case［C］∥Military Communications Conference. San Diego，CA，USA：IEEE，1988：431-436.

［4］ DOBRE O A，ZARZOSO J，BAR-NESS Y，et al. On the classification of linearly modulated signals in fading channels［D］. Princeton：Princeton University，2004.

［5］ HASSANPOUR S，PEZESHK A M，BEHNIA F. Automatic digital modulation recognition based on novel features and support vector machine［C］∥2016 12th International Conference on Signal-Image Technology & Internet-Based Systems （SITIS）. Naples，Italy：IEEE，2016：172-177.

［6］ AZZOUZ E E，NANDI A K. Automatic identification of digit modulation types［J］. Signal Processing，1995，47（1）：55-69.

［7］ SUN X，SU S，ZUO Z，et al. Modulation classification using compressed sensing and decision tree-support vector machine in cognitive radio system［J］. Sensors （Basel，Switzerland），2020，20（5）：1438-1446.

［8］ HO K C，PROKOPIW W，CHAN Y T. Modulation identification by the wavelet transform［C］∥Military Communications Conference. San Diego，CA，USA：IEEE，1995：886-890.

［9］ HASSANPOUR S，PEZESHK A M，BEHNIA F. Automatic digital modulation recognition based on novel features and support vector machine［C］∥International Conference on Signal-Image Technology & Internet-Based Systems. Naples，Italy：IEEE，2017：172-177.

［10］ 朱洪波，張?zhí)祢U，王志朝，等. 瑞利信道下基于累積量的調(diào)制識別方法［J］. 計算機應用，2013，33（10）：2765-2768.

［11］ OSHEA T J，CORGAN J，CLANCY T C. Convolutional radio modulation recognition networks［C］∥International Conference on Engineering Applications of Neural Networks. Aberdeen，UK：Springer，2016：213-226.

［12］ LECUN Y，BENGIO Y，HINTON G. Deep learning［J］. Nature，2015，521（7553）：436-444.

［13］ 翁建新，趙知勁，占錦敏. 利用并聯(lián)CNN-LSTM的調(diào)制樣式識別算法［J］. 信號處理，2019，35（5）：870-876.

［14］ KUMAR Y，SHEORAN M，JAJOO G，et al. Automatic modulation classifification based on constellation density using deep learning［J］. IEEE Commun. Lett，2020，24（6）：1275-1278.

［15］ KUMAR Y，SHEORAN M，JAJOO G，et al. Automatic modulation classifification based on constellation density using deep learning［J］. IEEE Commun. Lett，2020，24（6）：1275-1278.

［16］ PENG S L，JIANG H Y，WANG H X，et al. Modulation classification based on signal constellation diagrams and deep learning［J］. IEEE Transactions on Neural Networks and Learning Systems，2019，30（3）：718-727.

［17］ SZEGEDY C，LIU W，JIA Y Q，et al. Going deeper with convolutions［C］∥2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston，MA，USA：IEEE，2015.

［18］ ZHOU Y，LIN T，ZHU Y. Automatic modulation classification in time-varying channels based on deep learning［J］. IEEE Access，2020，8（1）：197508-197522.

［19］ HAN K，WANG Y，TIAN Q，et al. GhostNet：More Features from Cheap Operations［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，WA，USA：IEEE，2020：1577-1586.

［20］ OSHEA T J，ROY T，CLANCY T C. Over-the-air deep learning based radio signal classification［J］. IEEE Journal of Selected Topics in Signal Processing，2018，12（1）：168-179.

Abstract：Automatic modulation recognition technology of wireless signal has important research significance in non-cooperative communication system. For the problem that it is difficult to identify modulated signals on the Rayleigh channel，a lightweight modulation signal recognition network named as GLDN is proposed，which is based on slot IQ signal. Firstly，the input IQ signals are divided into different time slots. The IQ signals of each time slot are sequentially processed by the improved GhostNet network，and the spatial features of IQ signals are extracted in the convolution layer. Then，the multi-path time slot features are parallelly input into the Bi-directional Long Short-Term Memory Network （ BiLSTM ） to extract the sequence features. Finally，the type of modulation mode is output by the deep neural network（DNN）. The eight modulation signals of MPSK （multiple phase shift keying） and MQAM （Multiple Quadrature Amplitude Modulation） are obtained by simulation. The experimental results show that GLDN model has better anti-noise performance and anti-fading performance，and can achieve more than 90% recognition accuracy at 0dB in slow fading and fast fading channels. The F1-Score of all eight modulated signals is above 0. 93，which effectively improves the recognition performance of higher-order modulation modes. By properly dividing the length of the time slot，the model can achieve higher accuracy with fewer parameters.

Key words：modulation classification； Rayleigh channel； time slot IQ signal； ghostNet； BiLSTM