基于深度卷积神经网络的双分量信号调制分类

《Chinese Journal of Electronics》：Dual-Component Signal Modulation Classification Based on Deep Convolutional Neural Networks

　　

针对复杂电磁环境中的混合信号调制分类问题，研究人员提出了一种基于深度学习的双分量信号调制分类算法。该方法采用同相和正交调制（I&Q调制）进行基带信号分解，并利用具有多维卷积核的深度卷积神经网络（CNN）进行特征提取。通过集成多类别损失函数（multiclass loss function），该算法实现了对双分量信号的精确调制分类。仿真结果表明，在0 dB干扰噪声比（INR）下，该算法对四种信号类型的分类准确率达到94.07%，分别比现有基于深度学习的方法高出9.62%、11.85%和10.23%。实验验证通过仿真与实际结果的紧密吻合，证实了该算法的有效性。

研究人员在通信抗干扰领域开展了一项针对双分量信号调制分类的研究。当前，复杂电磁环境中多信号共存导致时频特性失真，传统调制分类方法存在信噪比（SNR）要求苛刻、频率偏差敏感、分类能力有限等问题。现有深度学习方法在处理双分量混合信号时因特征重叠而精度显著下降。为此，研究人员提出基于深度卷积神经网络（CNN）的双分量信号调制分类方法（DCNN-MC），通过动态信道模拟建立双分量信号数据集，设计符合信号物理特性的CNN架构，并在软件定义无线电（SDR）平台上实验验证。结论表明，该算法在0 dB干扰噪声比（INR）下分类准确率达94.07%，较现有方法提升9.62%–11.85%，验证了其在复杂电磁环境中的鲁棒性。该论文发表在《Chinese Journal of Electronics》。

关键技术方法包括：利用同相和正交（I&Q）调制对接收信号进行基带分解，构建2×128的二维输入矩阵；设计深度CNN，包含C1层（2×2卷积核，跨步2）提取I&Q相关特征，C2和C3层（1×6卷积核）捕获符号过渡特征，全连接层D1和D2进行特征映射，采用Softmax输出多类概率；通过超参数逐步优化（输入维度D_input=128、卷积核大小D_kernel=6、层数2、核数64），使用交叉熵损失函数和反向传播训练。数据集基于RML2016.10a公共数据集构建双分量样本（120,000样本，四种调制类型：AM-DSB、BPSK、GFSK、QPSK），覆盖INR从-20 dB至18 dB。实验平台采用两路矢量信号发生器（R&S SMW200A、SMC100A）和Xilinx-ZC706（AD9361射频芯片）SDR平台，在实验室环境中模拟复杂电磁条件。

研究结果如下：
**1) 深度CNN参数对分类性能的影响**：通过逐步优化输入维度（D_input），发现分类准确率随采样点增加而提高，在D_input=128时达到最优；对一维卷积核大小（D_kernel）从3至7进行评估，选择D_kernel=6作为准确率和计算复杂度的折中；比较四种网络架构（不同核数和层数），架构4（64核、2层）以81.19%准确率和1.1M参数成为最佳选择，而架构2（32核、2层）因空间降采样不足导致过拟合，准确率下降至73.48%。
**2) 与深度学习方法对比分析**：在0 dB INR下，所提方法准确率达94.07%，分别优于CLDNN等基线方法9.62%、11.85%和10.23%，且准确率在0 dB以上趋于稳定，表明方法对噪声具有鲁棒性。混淆矩阵显示，0 dB INR时（BPSK，GFSK）组合准确率最低（87%），10 dB INR时所有组合准确率超过92%。
**3) 实验验证**：仿真与实验结果的对比显示二者紧密吻合。INR>0 dB时实验识别率略高于仿真，归因于实验室采集信号时频稳定性更好，而公共数据集包含频率偏移和相位噪声等非理想信道效应。

研究结论部分总结：本文提出了DCNN-MC方法，用于复杂电磁环境下双分量信号调制分类。该方法包含三个关键要素：动态模拟真实电磁条件的双分量数据集、与信号特性对齐的CNN架构（2×2核用于I&Q相关性、1×6核用于符号过渡）、以及基于多源软件定义无线电平台的实验验证。实验结果表明，在0 dB干扰噪声比（INR）下分类准确率达94.07%，比现有方法提升9.62%–11.85%。该方法展现了在复杂电磁环境下增强通信系统信号处理能力的潜力。未来工作将扩展至多分量信号，并探索在现场可编程门阵列（FPGA）硬件上的实现可行性。