基于轻量化深度学习网络的调制信号识别模型

摘要

电磁态势分析是信息化战争中至关重要的工作,如何利用深度学习技术有效实现调制信号识别是其中一项关键技术.首先将调制信号转化为带有颜色信息的星座图形式,并用深度学习方法,选用VGG16和AlexNet两个卷积神经网络完成调制识别任务.结果显示,当信噪比大于等于0 dB时,可以达到99％以上的识别准确率.由于军用设备对于计算性能和存储性能把控较为严格,因此采用全零矩阵平均百分比的方法对深度学习模型进行压缩.结果显示,在不损失识别准确率的前提下,信噪比为0 dB时,对于模型参数量,AlexNet可以压缩3466倍,VGG16可以压缩20156倍;对于浮点运算量,AlexNet可以压缩2314倍,VGG16可以压缩13475倍.表明本研究方法对调制信号识别具可行性以及高效性.