DP-DRCnet卷积神经网络信号调制识别算法

摘要

卷积神经网络在降低系统网络开销的同时,如何保证较高的信号调制识别准确率是目前面临的重要问题。提出一种轻量级卷积神经网络。该网络分为两路,并行提取信号的自相关和互相关特征,之后两路特征进行合并,实现不同调制方式的分类识别;该网络采用控制模型中卷积层的输入数据维度及卷积核数量的方案,实现对网络模型开销的控制。通过对多种不同的调制方式进行识别验证。实验结果表明:在信噪比为-6~12 dB条件下,其平均识别准确率可达到86.5%;与传统卷积神经网络相比,计算量降低了94.44%;与常规轻量级卷积神经网络相比,计算量降低了67.6%,该网络性能优于现有的基于轻量级卷积神经网络的调制方式识别方法。