左曉亞 張俊杰 姚如貴 樊 曄 蔣麗鳳

（1.西北工業(yè)大學電子信息學院，陜西西安 710072；2.中國空間技術研究院，陜西西安 710100）

1 引言

自動調(diào)制方式識別（Automatic Modulation Classification，AMC）技術旨在缺乏參數(shù)信息的情況下智能的識別出信號的調(diào)制方式，在民用和軍用領域都有著廣泛的應用；傳統(tǒng)自動調(diào)制方式識別（AMC）技術主要分為兩類，一類是基于最大似然函數(shù)的調(diào)制方式識別，另一種是基于統(tǒng)計理論的信號調(diào)制方式識別技術，基于最大似然函數(shù)的調(diào)制方式識別利用似然函數(shù)對接收到的信號進行計算，得出該信號的似然判決比來實現(xiàn)調(diào)制方式識別，但由于該方法需要較多的先驗知識以及計算過程較為復雜限制了其在實際情況中的應用；基于統(tǒng)計理論的信號調(diào)制方式識別技術提取信號中的統(tǒng)計特征，再通過分類器進行分類，這種方法同樣需要大量的先驗知識，對于先驗信息不足的調(diào)制信號其識別準確率會大幅下降。

隨著近些年來深度學習技術的不斷發(fā)展，深度學習技術不斷應用到越來越多的領域和研究中，神經(jīng)網(wǎng)絡的發(fā)展?jié)摿薮?，調(diào)制方式識別領域正逐步與深度學習技術相結合，越來越多的研究將深度學習技術應用到了調(diào)制方式識別中；例如利用深度學習技術將時域與頻域的數(shù)據(jù)相結合實現(xiàn)調(diào)制方式識別［1］，將長短期記憶神經(jīng)網(wǎng)絡和空間注意力機制相結合進行信號的特征提?。?］，利用卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡聯(lián)合對信號的星座圖進行特征提?。?］，文獻［4］利用兩層的（Long Short Term Memory，LSTM）長短期記憶神經(jīng)網(wǎng)絡從時域信號幅度相位信息中進行特征提取實現(xiàn)信號的調(diào)制方式分類；文獻［1-4］在對信號特征提取的過程中并沒有對中間過程的特征向量交互融合，最終提取到的特征可能并不充分；文獻［5］分別對輸入信號的IQ 序列數(shù)據(jù)、I 路數(shù)據(jù)、Q 路數(shù)據(jù)分別設計網(wǎng)絡單獨進行處理，之后再將三個網(wǎng)絡輸出的特征向量融合，再利用神經(jīng)網(wǎng)絡對融合后的特征進一步處理并分類，實現(xiàn)信號的調(diào)制方式識別；文獻［6］提出了一種基于兩層門控遞歸單元（Grated Recurrent Unit，GRU）的高效網(wǎng)絡結構，該網(wǎng)絡提取原始IQ數(shù)據(jù)中的時域序列特征信息來實現(xiàn)信號分類，但在低信噪比的情況下該網(wǎng)絡識別性能急劇下降；文獻［7］不僅利用IQ 信息提取信號特征，還同時從信號的幅度相位信息與星座圖中并行提取特征，再將不同模態(tài)的特征向量串聯(lián)并相乘得到最終的分類結果，但是在融合不同模態(tài)的特征向量時只是簡單串聯(lián)和相乘，并沒有設計特定的模塊來對特征向量進行充分融合；文獻［8］使用殘差結構的復數(shù)卷積神經(jīng)網(wǎng)絡，直接對輸入信號進行復數(shù)卷積操作；以上提到的調(diào)制識別算法使用的神經(jīng)網(wǎng)絡均為卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）、長短期記憶神經(jīng)網(wǎng)絡或殘差神經(jīng)網(wǎng)絡，三種網(wǎng)絡在單獨處理輸入數(shù)據(jù)時，均有著對輸入數(shù)據(jù)特征提取不充分的問題，對數(shù)據(jù)中關鍵特征的捕獲存在不足，導致分類結果難以提升，本文針對調(diào)制方式識別任務和三種網(wǎng)絡的特異性，融合卷積神經(jīng)網(wǎng)絡、長短期記憶神經(jīng)網(wǎng)絡和殘差神經(jīng)網(wǎng)絡的優(yōu)點，并設置合適的網(wǎng)絡參數(shù)，設計出本文的網(wǎng)絡模型。

本文提出了一種基于多維度特征端到端卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）并聯(lián)結構，模型由兩個并行分支構成，一個分支是殘差結構的膨脹卷積網(wǎng)絡（Dilated convolution-residual network，DCRN），另一個分支是CNN 串聯(lián)LSTM 形成CNN-LSTM 分支；原始的IQ 數(shù)據(jù)輸入進網(wǎng)絡經(jīng)過數(shù)據(jù)預處理模塊提取出瞬時幅度和相位信息，之后原始IQ 數(shù)據(jù)和幅度相位信息兩種模態(tài)的數(shù)據(jù)分別輸入進DCRN 和CNN-LSTM 兩個分支各自進行特征提取得到兩種不同的特征信息，再通過特征融合模塊融合兩種模態(tài)的特征信息得到最終完備的特征，最后全連接層對特征的分類進行輸出，實現(xiàn)信號調(diào)制方式的識別。

2 信號模型

在完整的通信系統(tǒng)中，通常包含發(fā)射機、信道和接收機三部分，接收機的接收信號可表示為：

式中，y(t)表示接收到的信號，x(t)表示發(fā)射信號，h(t)表示相應信道，n(t)表示噪聲，為了對后續(xù)的信號進行處理，還要對接收到的信號y(t)進行采樣得到離散的接收信號y(n)：

式中，n為信號的采樣點數(shù)。

實際通信過程中，通常使用IQ 調(diào)制，因為IQ 調(diào)制可以提高頻譜利用率，對信號序列進行分量提取，將實部和虛部轉為二維矩陣，抽樣后的每一點可以表示為：

式中，In為同向分量，Qn為正交分量，j 為虛數(shù)單位，將In路數(shù)據(jù)和Qn路數(shù)據(jù)組合為矩陣形式即得到所要的二維矩陣。

常見的數(shù)字調(diào)制方式有ASK 調(diào)制、FSK 調(diào)制、PSK調(diào)制和MQAM調(diào)制。

ASK 是利用載波的幅度變化傳遞數(shù)字信息，其頻率和初始相位保持不變；2ASK 信號的一般表達式為：

其中：

式中，T為碼元持續(xù)時間，g(t)為持續(xù)時間為T的基帶脈沖波形，an是第n個符號的電平取值。

FSK 是利用載波的頻率變化傳遞數(shù)字信息；在2FSK 中，載波的頻率隨二進制基帶信號在f1和f2兩個頻點之間變化，其表達式為：

一個2FSK 信號又可以看成是兩個不同載頻的2ASK 信號的疊加，因此2FSK 信號的時域表達式也可以表示為：

式中，g(t)為持續(xù)時間為T的基帶脈沖波形，是an的反碼，φn和θn分別為第n個信號碼元的初始相位，在FSK中φn和θn不攜帶信息，通?？梢詾榱恪?/p>

PSK 是利用載波的相位變化傳遞數(shù)字信息，而振幅和頻率保持不變；在2PSK 中，通常用初始相位0 和π 分別表示二進制“1”和“0”，2PSK 信號的時域表達式為：

式中，φn表示第n個符號的絕對相位：

MQAM 是幅度和相位的混合調(diào)制，利用兩個相互正交的載波cos(2πfct)和sin(2πfct)調(diào)制，然后再對兩路信號求和，其表達式為：

3 端到端神經(jīng)網(wǎng)絡模型

傳統(tǒng)的深度學習模型為卷積神經(jīng)網(wǎng)絡直接對原始輸入數(shù)據(jù)進行特征提取，由于原始數(shù)據(jù)中所蘊含的特征有限，導致卷積神經(jīng)網(wǎng)絡所提取的特征非常局限，分類結果并不理想；本文研究了一種端到端的神經(jīng)網(wǎng)絡，可以在神經(jīng)網(wǎng)絡內(nèi)部把原始的輸入IQ 數(shù)據(jù)進行預處理，然后將原始數(shù)據(jù)和預處理之后的數(shù)據(jù)分別進行特征提取。

本文所搭建神經(jīng)網(wǎng)絡模型如圖1 所示，網(wǎng)絡中有兩個分支，原始數(shù)據(jù)輸入進神經(jīng)網(wǎng)絡之后首先網(wǎng)絡對原始的IQ兩路數(shù)據(jù)進行預處理，提取出瞬時的幅度和相位信息，然后再將原始數(shù)據(jù)和幅度相位信息分別通過兩個不同結構并聯(lián)的網(wǎng)絡進行特征提取，然后將兩個分支所提取的特征進行特征融合，最后通過全連接層的最后一層Softmax 輸出分類結果。

圖1 本文網(wǎng)絡模型Fig.1 Our proposed network model

3.1 數(shù)據(jù)預處理算法

原始的IQ數(shù)據(jù)輸入進網(wǎng)絡之后，最先經(jīng)過的是數(shù)據(jù)預處理模塊，數(shù)據(jù)預處理模塊的主要功能是提取原始數(shù)據(jù)中所蘊含的幅度和相位信息。

幅度信息的提取用公式可表示為：

其中，amp(i)代表所提取到的第i時刻幅度信息，I(i)代表第i時刻I 路數(shù)據(jù)，Q(i)代表第i時刻Q 路數(shù)據(jù)。

相位信息的提取用公式可表示為：

其中，pha(i)代表所提取到的第i時刻相位信息，I(i)代表第i時刻I路數(shù)據(jù)，Q(i)代表第i時刻Q路數(shù)據(jù)。

輸入網(wǎng)絡的原始IQ兩路數(shù)據(jù)大小為2 × 128，即第一行為I路數(shù)據(jù)，第二行為Q路數(shù)據(jù)，由公式（11）和（12）對每一對IQ 數(shù)據(jù)計算即可得瞬時幅度相位信息，所得到的瞬時幅度相位信息矩陣大小為2 × 128。

3.2 模型架構

特征提取部分主要通過兩個并聯(lián)的卷積神經(jīng)網(wǎng)絡同時進行，其中膨脹卷積網(wǎng)絡處理原始IQ 數(shù)據(jù)，另一個CNN2處理瞬時幅度相位信息，兩個CNN分支的結構單獨設計。

處理原始IQ 數(shù)據(jù)的膨脹卷積網(wǎng)絡為殘差結構（Dilated convolution-residual network，DCRN），膨脹卷積（Dilated Convolutional，DC）又稱為空洞卷積［9］，膨脹卷積與普通的卷積核相比有特定的膨脹系數(shù)可以設置，通過設置相應的膨脹系數(shù)使得卷積核在不增加計算量的情況下具有更大的感受野，同時當設置不同的膨脹系數(shù)時可以獲取到不同尺度的特征信息，殘差結構的膨脹卷積網(wǎng)絡（DCRN）分支如圖2所示，該網(wǎng)絡由三個殘差塊構成，殘差結構的膨脹卷積網(wǎng)絡整體結構由圖2 的右邊所示，網(wǎng)絡具體細節(jié)部分由圖2的左邊殘差塊所示。

圖2 殘差膨脹卷積網(wǎng)絡模型Fig.2 Dilated convolution-residual network model

當原始IQ數(shù)據(jù)輸入到膨脹卷積網(wǎng)絡分支后，網(wǎng)絡主要通過卷積操作對原始IQ數(shù)據(jù)進行特征提取，與之前的卷積不同，本文使用膨脹卷積進行特征提取，膨脹卷積旨在根據(jù)設置的膨脹系數(shù)在卷積核內(nèi)部相鄰值之間以固定的步長填充0，通過在內(nèi)部填充0 的方式擴大卷積核的尺寸，并增加原始卷積核內(nèi)部相鄰值之間的距離，使擴張后卷積核在執(zhí)行卷積操作時的覆蓋范圍更廣，同時由于填充使用的是0 填充也不會額外增加計算量，以此擴大卷積核的感受野，獲得更大尺度的信息，使得最終的輸出特征信息能夠更廣泛代表輸入信息，具有更強的泛化性，當在卷積核間引入的膨脹系數(shù)為1時，此時為標準的卷積操作；與此同時，在不同的膨脹卷積層之間引入殘差結構，如圖2左半部分所示，圖中表示了在引入膨脹卷積特性的同時加入了殘差的結構，通過引入殘差的結構，使得膨脹卷積網(wǎng)絡分支處理輸入信息更加流暢，并且還可以緩解分支網(wǎng)絡的過擬合問題。

另一個CNN2 分支主要是卷積神經(jīng)網(wǎng)絡（CNN）與長短期記憶神經(jīng)網(wǎng)絡（LSTM）的串聯(lián)，其結構如圖3 所示，卷積部分通過不同卷積核來實現(xiàn)對輸入矩陣的特征進行提取，通過不同卷積層的特征提取，所提取到的特征也逐步抽象；LSTM 能夠提取在時間維度上的特征信息，將其串聯(lián)在卷積層之后能夠?qū)矸e層提取到的特征信息進一步完善和補充，本文在卷積網(wǎng)絡之后串聯(lián)LSTM 網(wǎng)絡構成CNNLSTM 分支網(wǎng)絡結構，以更加充分地提取幅度和相位中的特征信息。

圖3 CNN2分支網(wǎng)絡模型Fig.3 CNN2 branch network model

本文所設計的網(wǎng)絡中，一個是殘差結構的膨脹卷積網(wǎng)絡（DCRN）分支，另一個是CNN-LSTM 分支，采用并聯(lián)結構組合；單一的分支網(wǎng)絡只能提取某個單一維度輸入數(shù)據(jù)的特征信息，本文采用的并聯(lián)結構能夠同時處理兩種模態(tài)的輸入信息。

數(shù)據(jù)預處理模塊輸出的瞬時幅度相位矩陣，其大小為2 × 128，另一個原始的IQ 數(shù)據(jù)矩陣大小同樣為2 × 128，兩種不同的特征矩陣分別輸入到兩個分支中，由兩個網(wǎng)絡分支分別對兩種不同模態(tài)特征信息的矩陣進行特征提取。

普通單分支網(wǎng)絡結構的CNN、LSTM 或者CNN串聯(lián)LSTM 只能對原始的IQ 輸入數(shù)據(jù)或者幅度相位信息中的一種進行特征提取，由于單一維度的數(shù)據(jù)所蘊含的信息有限，經(jīng)過網(wǎng)絡提取后的特征不夠充分，造成分類結果的準確率下降；本文研究的雙流卷積結構不僅能夠從原始的IQ 數(shù)據(jù)中提取相關特征信息，還能夠從原始數(shù)據(jù)的幅度相位信息中提取信息，兩種不同的原始信息分別從各自的網(wǎng)絡分支中被提取相應的特征信息，經(jīng)過兩個不同的網(wǎng)絡分支特征提取之后得到兩種不同的高維特征信息，這兩種高維度的特征信息相互作用，共同決定最終的信號分類結果。

3.3 特征融合及分類

雙流結構的網(wǎng)絡輸出兩個不同的特征信息，其中一個特征信息源自原始IQ數(shù)據(jù)，另一個特征信息源自信號的瞬時幅度相位信息。

本文研究了一種特征融合方式，傳統(tǒng)的融合方式比如直接使兩個特征向量在對應位置相乘或者相加進行特征融合，這樣的方法只在兩個特征向量中相同的元素位置上作用，而不同位置的特征向量值無法得到充分地融合，造成兩個特征向量并沒有充分交互融合，對于分類的結果沒有充分提高。

本文使用的特征融合方式是將兩個網(wǎng)絡分支輸出的兩個特征向量進行矩陣相乘［10］，如圖4 所示，不單單是相同位置的元素相乘，通過矩陣相乘可以使每個元素都與另一個向量中的所有元素進行相乘，生成融合后的特征矩陣，以此來達到兩個特征向量更加充分地交互融合；其公式可以表示為：

其中F代表融合后的特征向量，fA代表DCRN 分支的輸出特征向量代表DCRN 分支的輸出特征向量的轉置，其大小為50 × 1，fB代表CNN2 分支的輸出特征向量，其大小為1 × 50，兩個向量進行矩陣相乘，在矩陣相乘過程中，不同位置的特征向量元素都能夠進行相乘的操作，與傳統(tǒng)融合方法只能相同位置元素相乘操作相比，矩陣相乘能夠使兩個特征向量不同位置元素之間都能夠進行充分地交互融合；矩陣相乘之后的特征向量為F，其大小為50 ×50，然后再將特征向量F進行展平操作，輸入到全連接層中。

本文設計的全連接層由三層構成，每一層都包含不同數(shù)量的神經(jīng)元，同時在每個神經(jīng)元后面搭配相應的激活函數(shù)，以實現(xiàn)非線性的分類，全連接層的最后一層神經(jīng)元數(shù)目即為分類個數(shù)，搭配Softmax激活函數(shù)輸出每個類別的概率即最終的分類結果，整個全連接層起到一個分類器的作用，對融合后的特征進行具體分類，識別出當前為何種調(diào)制方式，從而達到調(diào)試方式識別的目的。

4 仿真實驗

4.1 數(shù)據(jù)集選擇

本實驗仿真數(shù)據(jù)采用開源RML2016.10a 作為輸入數(shù)據(jù)，該數(shù)據(jù)集共有220000 條數(shù)據(jù)，總共具有11種調(diào)制方式，8種數(shù)字調(diào)制，分別為：8PSK，BPSK，CPFSK，GFSK，PAM4，16QAM，64QAM，QPSK；3 種模擬調(diào)制，分別是：AM-DSB，AM-SSB，WBFM；采樣率為200 kHz，數(shù)據(jù)中包含加性高斯白噪聲、選擇性衰落、中心頻率偏移和采樣率偏移四種信道環(huán)境，同時還有一定的頻偏，具體參數(shù)如表1所示。

表1 數(shù)據(jù)集參數(shù)Tab.1 Parameters of dataset

該數(shù)據(jù)集的數(shù)據(jù)格式為IQ 兩路數(shù)據(jù)，大小為2 × 128 矩陣，信噪比范圍為-20～18 dB，步長為2 dB，由于過低信噪比數(shù)據(jù)中噪聲過大，所蘊含的信號特征較少，故本實驗選用-4～18 dB 信噪比的數(shù)據(jù)作為數(shù)據(jù)集。

將數(shù)據(jù)集中80%數(shù)據(jù)用作訓練集，20%數(shù)據(jù)作為測試集，所使用的環(huán)境為python3.7，Tensor-flow2.1，硬件設備為Nvidia GTX 1050 GPU。

4.2 網(wǎng)絡參數(shù)設置

殘差結構的膨脹卷積網(wǎng)絡（DCRN）分支主要用來提取原始IQ 數(shù)據(jù)中的特征，其利用卷積核的膨脹卷積特性和殘差網(wǎng)絡結構處理IQ 數(shù)據(jù)，如圖2所示，殘差結構的膨脹卷積網(wǎng)絡（DCRN）分支主要由三個殘差塊構成，每個殘差塊由兩個膨脹卷積層和一個殘差連接層構成，采用Relu 激活函數(shù)，每個殘差塊中卷積層的卷積核個數(shù)分別為32、32 和16，卷積核大小為1 × 3、3 × 3 和1 × 3，膨脹系數(shù)分別為1，2，4，對三個殘差塊卷積之后的輸出特征進行展平并通過一層單元數(shù)為50 的全連接層，其輸出即為殘差結構的膨脹卷積網(wǎng)絡提取出的特征信息。

網(wǎng)絡的第二個分支CNN2 是CNN-LSTM 分支，處理瞬時相位幅度信息的卷積神經(jīng)網(wǎng)絡由三個卷積層、兩個LSTM 層構成，三個卷積層的卷積核個數(shù)分別為128、128 和80，其大小分別為1 × 3、2 × 3 和1 × 3，在卷積層之間加入的有正則化層，不僅加快網(wǎng)絡的收斂速度，還能夠在一定程度上緩解過擬合的問題，在卷積過程中均采用Relu 激活函數(shù)；兩個LSTM層的單元個數(shù)分別為100和50。

兩個網(wǎng)絡分支的輸出特征經(jīng)過特征融合模塊之后得到融合后的特征向量，將該特征向量傳輸?shù)饺B接層進行分類處理，全連接層由三層構成，第一層的單元個數(shù)為256，第二層單元個數(shù)為64，前兩層所使用的激活函數(shù)為Relu，第三層單元個數(shù)與分類信號類別數(shù)一致，即輸出層有11 個輸出單元，采用Softmax激活函數(shù)輸出最終的分類結果；整個全連接層中使用Dropout 隨機失活函數(shù)，以防止全連接層過擬合。

4.3 仿真實驗與結果分析

在本節(jié)實驗中，Batch_size 設置為500，迭代次數(shù)設置為35；將本文設計的殘差結構的膨脹卷積網(wǎng)絡并聯(lián)CNN-LSTM 網(wǎng)絡模型與一層的卷積神經(jīng)網(wǎng)絡（1-CNN）模型、三層卷積神經(jīng)網(wǎng)絡（3-CNN）模型、注意力機制卷積神經(jīng)網(wǎng)絡模型（attention-CNN）模型、雙層長短期記憶神經(jīng)（2-LSTM）模型進行對比仿真實驗，如圖5所示，可以看出本文所研究的基于多維度特征端到端卷積神經(jīng)網(wǎng)絡并聯(lián)結構由于不僅利用原始信號的IQ兩路數(shù)據(jù)，還利用原始數(shù)據(jù)中所蘊含的幅度相位信息共同進行信號的特征提取，并對兩種提取到的特征信息進行充分地交互融合，進而再通過全連接層進行分類處理，所以在識別準確率上明顯高于其他幾種模型；選取本文模型之外分類效果最好的注意力機制卷積神經(jīng)網(wǎng)絡模型（attention-CNN）模型繪制其混淆矩陣，attention-CNN 模型在信號分類實驗中的混淆矩陣如圖6 所示；仿真實驗表明，attention-CNN模型的最高的分類識別率可達78%，通過高信噪比的混淆矩陣可以看出，attention-CNN 模型對于16QAM 和64QAM 兩種信號幾乎沒有識別能力。

圖5 不同模型識別準確率對比圖Fig.5 Accuracy rate of different models

圖6 注意力機制CNN模型混淆矩陣Fig.6 Confusion matrix of attention-CNN

為驗證本文所設計的雙流膨脹殘差卷積結構神經(jīng)網(wǎng)絡的有效性，將膨脹殘差卷積分支（DCRN）和CNN-LSTM 分支分別單獨作為網(wǎng)絡模型，設置與雙流卷積網(wǎng)絡模型相同參數(shù)并在同一數(shù)據(jù)集RML2016.10a 中訓練，觀察其在驗證集中表現(xiàn)，對比結果如圖7所示，可以看出高信噪比時CNN-LSTM分支模型識別準確率高于DCRN 分支模型，其識別準確率最高達到77%，各分支模型以及原始網(wǎng)絡模型的識別準確率具體數(shù)值如表2 所示；但是單獨的DCRN 或者CNN-LSTM 分支模型其識別準確率均低于雙流膨脹殘差卷積結構網(wǎng)絡模型，由此可以看出本文所設計的雙流膨脹殘差卷積結構的有效性。

表2 實驗數(shù)據(jù)對比Tab.2 Comparison of experimental data

圖7 總模型與分支模型準確率對比Fig.7 Models accuracy comparison

本文所設計的基于多維度特征端到端卷積神經(jīng)網(wǎng)絡并聯(lián)結構在信號分類實驗中的表現(xiàn)如圖8混淆矩陣所示；通過實驗結果可以看出，基于多維度特征端到端的卷積神經(jīng)網(wǎng)絡并聯(lián)網(wǎng)絡最高準確率可達85.9%；根據(jù)高信噪比下的混淆矩陣可以看出，對于16QAM 和64QAM 兩種信號本文設計的網(wǎng)絡模型具有一定的分辨能力。

圖8 本文模型混淆矩陣Fig.8 Confusion matrix of our model

5 結論

針對單分支網(wǎng)絡結構的提取信號特征不足導致信號分類準確度較低的情況，本文充分利用卷積神經(jīng)網(wǎng)絡、長短期記憶神經(jīng)網(wǎng)絡以及殘差結構設計了一種端到端的雙流卷積網(wǎng)絡模型，在網(wǎng)絡內(nèi)部內(nèi)嵌數(shù)據(jù)預處理模塊提取數(shù)據(jù)中的瞬時幅度和相位信息，之后是網(wǎng)絡的兩個分支殘差結構的膨脹卷積網(wǎng)絡和CNN-LSTM 網(wǎng)絡，兩個網(wǎng)絡為并聯(lián)結構，分別提取到特征之后將兩種特征進行充分地交互融合形成最終的特征，再根據(jù)全連接層輸出該特征所代表的信號類型；實驗表明本文所設計的雙流卷積網(wǎng)絡模型相比較于傳統(tǒng)結構CNN 模型在信號識別準確率上有很大的提升，對于難以識別的16QAM和64QAM 兩種類型的信號有一定的識別能力，但對于16QAM 和64QAM 兩種信號識別能力較弱，不夠精準，對于AM-DSB 信號和WBFM 信號不能夠很好的識別，提高模型對于以上四種信號的分類能力還有待進一步研究。