基于BLR并行结构的多模态调制识别方法

摘要

针对现有基于卷积神经网络(CNN)的调制识别方法对单一模态数据(如IQ序列)依赖性强、难以充分提取信号多维特征等问题，提出了一种基于双向长短时记忆网络(BiLSTM)和残差网络(ResNet)的多模态并行结构调制识别方法(BLR网络)。首先，通过上支路的BiLSTM提取IQ数据的时序特征，通过下支路的ResNet-18提取星座图的空间特征；其次，在决策融合模块采用串行特征融合，更好地挖掘多模态数据的互补性；最后，借助模型的特征提取能力对信号调制样式进行识别，并在公开数据集RML2018.01a上进行了实验验证。实验结果表明：BLR网络在6～30 dB信噪比区间内的整体识别准确率稳定在96.48%,相较于单一模态的ResNet和BiLSTM模型分别提升了2.61%和3.91%,相较于并联结构的CNN-LSTM模型提高了1.25%,验证了所提模型在调制识别问题上的有效性。

关键词

自动调制识别 / 卷积神经网络 / 多模态 / 特征融合 / 并联结构