基于深度学习的无线通信信号识别技术研究

摘要

随着无线通信技术的快速发展，复杂电磁环境下的信号识别面临准确率低、抗干扰能力差等挑战。针对这些问题，本文提出了一种基于注意力机制的深度学习复合模型方案。首先，构建包含卷积神经网络(CNN)-循环神经网络(RNN)混合架构的特征提取网络，利用CNN捕获信号空间特征，RNN建模时序依赖关系；其次，创新性地引入多头自注意力机制，通过计算特征重要性权重提升关键调制特征的识别能力；最后，设计轻量级模型结构，采用剪枝与量化技术降低计算复杂度。通过构建涵盖8种调制类型、共80 000个样本的多信号源实验数据集，对比分析不同深度学习模型的性能。结果表明：本文提出的复合模型在信号识别准确率上较传统CNN提升8.5%,在-10 dB低信噪比环境下仍能保持85.3%的识别率，且优化后的轻量级模型计算延迟降低12.7%。研究成果为复杂电磁环境下的无线通信信号智能识别提供了新的技术方案。

关键词

深度学习 / 无线通信 / 信号识别 / 卷积神经网络 / 循环神经网络