深层卷积神经网络的自动调制识别方法

简述了利用深层卷积神经网络进行自动调制识别（Automatic Modulation Recognition,AMR）的进展，并结合其模型在基准数据集上的实验表明，大多数不依赖于先验知识的特征提取模型容易忽略模型参数量大、计算复杂度高的问题，因此将工作重点集中在保持高精确度的同时轻量化模型。利用多信道深度学习模型，从时间和空间的角度有效提取特征，搭建以卷积神经网络（Convolution Neural Networks,CNN）和门控循环单元（Gating Recurrent Unit,GRU）为特征提取层的深层学习框架，可以在现有高识别度模型的识别效果上有略微提升，具有高效的收敛速度，且减少了40%以上的参数体积，在训练时间和测试时间上更有优势。该方法在RadioML2016.10a数据集0 dB以上信噪比条件下的识别精度保持在90%以上。