基于CLR和改进卷积神经网络的调制方式识别算法

作     者：王晓宇 张邦宁 杨宁 郭道省 WANG Xiaoyu;ZHANG Bangning;YANG Ning;GUO Daoxing

作者机构：中国人民解放军陆军工程大学通信工程学院江苏南京210007 

出 版 物：《无线电工程》 (Radio Engineering)

年 卷 期：2025年第55卷第1期

页      面：67-75页

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 

主　　题：调制方式识别 短时傅里叶变换 卷积神经网络 注意力机制 循环周期学习率策略 

摘      要：为提高非合作通信场景中调制方式识别任务在低信噪比(Signal to Noise Ratio,SNR)条件下的识别率及实时性,对卷积神经网络(Convolutional Neural Network,CNN)结构和学习率策略进行了改进,设计了一种基于循环周期学习率(Cyclic Learning Rate,CLR)策略和改进CNN的调制方式识别算法。为了突出信号特征,通过短时傅里叶变换(Short Time Fourier Transform,STFT)生成信号的时频图,引入注意力机制对CNN进行改进,用于抑制信号中的冗余信息,实现特征提取,增强在低SNR条件下算法的识别能力,通过设计CLR策略,对算法超参数进行设置,提高算法的收敛速度。实验结果表明,在-10 dB条件下,识别率可达92%,相较于其他经典算法,识别率得到显著提升,所提出的算法参数量小、计算复杂度低、收敛速度快。