2.1 MFF网络模型

MFF网络模型的结构包括CA-VGG模块和CNN-GRU两个模块。通过这两种模型可以有效地提取调制信号中的重要特征。最后为了充分利用不同输入类型数据特征的互补性，将两个模块的输出进行融合获得信号调制方式的预测概率。

本文提出的MFF模型解决了缺少多维度特征输入的问题，通过将CNN-GRU和CA-VGG两个网络模型进行融合搭建起的MFF网络模型，提高了网络的泛化、感知能力，增强了特征提取能力。它可以将原始I/Q、A/P数据和星座图的作为网络的输入，并将这两种不同的输入送到两种模型中对进行特征提取。首先通过CA-VGG网络提取星座图的深层特征数据，再通过CA-VGG网络提取I/Q、A/P数据的细节特征数据，保证了对不同输入数据的特征进行高效提取，同时也兼顾全局及局部信息的作用，可以更有效地提取调制信号的特征数据，MFF网络的具体网络框架如图2所示：

2.2 CA-VGG模块

（1）坐标注意力机制

坐标注意力模块的本质是采用通道注意力机制，通过深度学习的方式自动获取图像各个特征通道的权重，来进一步增强特征中有用的部分并抑制特征中无用部分。坐标注意力机制灵活且轻量并有很强的通用性，可以方便地嵌入到其他常见的网络模型中。

坐标注意力作为一种高效的注意力机制，不仅可以对通道间的信息进行了获取，同时也考虑了方向相关的位置信息。具体的实现步骤如下：

第一步将坐标信息嵌入到通道注意力中，对于一个维度为（C, H, W）的输入，其中的C、H、W分别为输入特征图的通道数、高度和宽度，首先通过式(5)将输入特征的一个通道分别沿着X和Y两个方向进行特征聚合，高效地将空间坐标信息整合到注意力图中。

2.3 CNN-GRU模块

一个调制信号的时间序列具有时序依赖关系，GRU能够学习到这种依赖关系。通过建立多个GRU单元，使GRU网络能够学习到不同调制信号的变化趋势。因此，本文将CNN神经网络与GRU神经网络相结合，建立的CNN-GRU网络结构如图5所示：

首先原始I/Q数据通过式(12)进行归一化操作，得到的矩阵中每个点的值都在0和1之间。然后，将I/Q数据转换得到的A/P数据通过式(13)也进行归一化为操作，将得到弧度的相位归一化到-1和+1之间，并将I/Q和A/P数据一并作为输入送到CNN-GRU模块中。

式中S I (t)，S Q (t)分别为I/Q通道信号，A(t)为瞬时幅度。

网络结构部分由2个一维卷积层、2个最大池化层和2个GRU层级联构成。首先通过卷积神经网络对信号的I/Q和A/P数据进行卷积处理来初步提取特征，再进行最大池化操作，以减少特征图的尺寸。之后通过改变卷积核大小，再对信号进行一次卷积和最大池化操作来完成对输入数据的深层特征的提取，然后将特征输入到两层GRU网络层中对时间序列具有的时序的依赖关系进行提取，再把特征输入到全连接层中并采用Softmax激活函数进行归一化操作，最后输出11类调制信号的概率。

2.4 模型融合

式中，p m 为融合模型的预测概率，p c 和p v 表示分别使用CNN-GRU和CA-VGG的预测概率。

3 仿真实验及结果分析

3.1 数据集及参数设置

为了验证本文算法的性能，这里选用RadioML2016.10a [8] 数据集进行实验，该数据集中共有220 000个信号样本，一共包括以下11种常见的调制信号（AM-DSB、AM-SSB、WBFM、8PSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK）。其中的每个信号样本由128×2的IQ两路信号构成，信噪比从-20 dB到18 dB以每2 dB递进，数据集的数据形式为220 000×2×128。最后把训练集、测试集和验证集按照6:2:2的比例进行训练、测试和验证。

实验使用了Python3.7作为编程语言，以及Tensorflow2.2的Keras库来搭建神经网络训练，使用NVIDIA GeForce GTX 3060设备进行训练和测试。本文具体的软件及参数设置如表1所示：

3.2 消融实验

3.3 对比实验

为进一步验证本文提出的MFF模型的性能，选取了文献[17]的CLDNN、文献[18]的ResNet和DenseNet、文献[19]的PET-CGDNN、文献[20]的MCLDNN和本文的MFF模型进行对比实验。

3.4 复杂度分析

这里选取了学习参数、训练时间、训练周期、最小验证损失等5个关键指标来衡量6个模型的复杂度，并对训练过程进行评价如表4所示。模型的复杂性主要由学习参数反映、训练速度由训练时间和训练周期表示，而验证损耗最小则表现出收敛趋势。

4 结束语

参考文献：（上下滑动浏览）

[1] Panagiotou P, Anastasopoulos A, Polydoros A. Likelihood ratio tests for modulation classification[C]//MILCOM 2000 Proceedings. 21st Century Military Communications. Architectures and Technologies for Information Superiority (Cat. No. 00CH37155). IEEE, Los Angeles, CA, USA, 2000,2: 670-674.

[2] Arya S, Yadav S S, Patra S K. WSN assisted modulation detection with maximum likelihood approach, suitable for non-identical Rayleigh channels[C]//2017 International Conference on Recent Innovations in Signal processing and Embedded Systems (RISE). IEEE, Bhopal, India, 2017: 49-54.

[3] Hamed H A, Abdullah A K, Sadkhan S B, et al. M-ary Quadrature Ampplitude Modulation Classification Using Skewness and Kurtosis[C]//2021 1st Babylon International Conference on Information Technology and Science (BICITS). IEEE, Babil, Iraq, 2021: 109-112.

[4] Mustafa H, Doroslovacki M. Effect of Carrier offset on the Classification of Digital Modulation Signals Based on the Product of Two Consecutive Signal Values[C]//2007 41st Annual Conference on Information Sciences and Systems. IEEE, Baltimore, MD, USA, 2007: 388-391.

[6] Zhao Z. Research on single-character image classification of Tibetan ancient books based on deep learning[C]//2022 3rd International Conference on Computer Vision, Image and Deep Learning & International Conference on Computer Engineering and Applications (CVIDL & ICCEA). IEEE, Changchun, China, 2022: 1-5.

[7] Mehta R, Christinck T, Nair T, et al. Propagating uncertainty across cascaded medical imaging tasks for improved deep learning inference[M]. Uncertainty for Safe Utilization of Machine Learning in Medical Imaging and Clinical Image-Based Procedures. Springer, Cham, 2019: 23-32.

[9] Huang S, Jiang Y, Gao Y, et al. Automatic modulation classification using contrastive fully convolutional network[J]. IEEE Wireless Communications Letters, 2019,8(4): 1044-1047

[10] O'Shea T J, Corgan J, Clancy T C. Unsupervised representation learning of structured radio communication signals[C]//2016 First International Workshop on Sensing, Processing and Learning for Intelligent Machines (SPLINE). IEEE, Aalborg, Denmark, 2016: 1-5.

[12] Huynh-The T, Hua C H, Doan V S, et al. Deep learning for constellation-based modulation classification under multipath fading channels[C]//2020 International Conference on Information and Communication Technology Convergence (ICTC). IEEE, Jeju, Korea (South), 2020: 300-304.

[14] West N E, O'shea T. Deep architectures for modulation recognition[C]//2017 IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN). IEEE, Nashville, TN, USA, 2017: 1-6.

[15] Cho K, Van Merritnbore B, Gulcehre C, et al. Learning phrase representations using RNN encoder–decoder for statistical machine translation[C]//Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). Doha: Association for Computational Linguistics, 2014: 1724-1734.

[16] Chung J, Gulcehre C, Cho K, et al. Empirical evaluation of gated recurrent neural networks on sequence modeling[J]. arXiv preprint arXiv:1412.3555, 2014.

[17] West N E, O'shea T. Deep architectures for modulation recognition[C]//2017 IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN). IEEE, 2017: 1-6.

[18] Liu X, Yang D, El Gamal A. Deep neural network architectures for modulation classification[C]//2017 51st Asilomar Conference on Signals, Systems, and Computers. IEEE, 2017: 915-919.

★扫描 二维码，到知网阅读下载本篇论文

★原文发表于《 移动通信》2023年第2期★

中图分类号：TN911 文献标志码：A

文章编号：1006-1010(2023)01-0037-09

LI Meng, WU Chengyu, ZHAN Ao. Modulation Recognition Model Based on CNN-GRU and CA-VGG Feature Fusion[J]. Mobile Communications, 2023,47(2): 37-45.

作者简介

《移动通信》投稿方式为在线投稿

请您登录网页投稿系统

链接地址：http://ydtx.cbpt.cnki.net

征稿 | 2023年第8期专题：面向6G的物联网新技术

征稿 | 2023年第10期专题：移动自组织网络

征稿 | 2023年第12期 “车联网专题”

《移动通信》2023年专题计划

【2023年第1期论文集合】 专题：5G核心网

#扫码关注我们#

《移动通信》

用论文解读通信

《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、中国科技论文统计源刊、中国科协《高质量科技期刊分级目录》入选期刊、日本JST收录期刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。返回搜狐，查看更多