领域知识驱动结合深度学习的调制识别方法

摘要

针对数据驱动深度学习调制识别中的数据冗余及低信噪比下训练性能欠佳的问题，提出了一种基于领域知识驱动的双流网络模型，并引入了自适应注意力机制.首先，利用通信信号领域知识和主分量分析算法提取信号关键动态特性，并初始化卷积神经网络，提高训练效率；其次，将信号的I/Q数据送入初始化后的卷积神经网络提取信号时域特征；同时，对具有噪声抑制特性的双谱数据进行对角切片处理，送入结合软阈值降噪算法的深度残差收缩网络提取频域特征，将时、频域特征同领域知识组成联合特征向量；在分类阶段，自适应注意力机制通过动态调整注意力头数量与权重筛选冗余特征，最后经全连接层完成分类.仿真结果表明：提出的模型在SNR=0dB时识别率达到87.9%,最高识别率达到95.8%,训练时间减少6.40%～39.68%.相比其他深度学习模型，本方法在较低参数量下表现出更好的性能.

关键词

调制识别 / 知识驱动 / 深度学习 / 网络初始化 / 注意力机制