基于卷积长短时深度神经网络的信号调制方式识别方法

针对信号调制方式识别计算复杂度高、低信噪比（SNR）条件下识别率较低、网络结构相对单一的问题，提出一种基于卷积长短时深度神经网络（CLDNN）的信号调制方式识别方法。首先，采用基准开源数据集RadioML2016.10a，对该数据集做同相正交（I/Q）数据转换，并将得到的结果作为网络输入；其次，构建CLDNN模型，模型分为三层卷积神经网络（CNN）、两层长短期记忆（LSTM）网络和两层全连接网络（FCN）；最后，对所提模型进行训练及测试，得到分类结果。实验结果表明，对11种信号在不同SNR下进行调制方式识别时，与现有的单一网络结构模型如残差神经网络（RES）模型、CNN模型和残差生成对抗网络（RES-GAN）模型进行对比，随着SNR的提升，CLDNN模型的识别准确率也随之提高，且CLDNN模型的识别准确率均高于其他3种对比模型，当SNR在4 dB以上时，达到了92%。