基于时间卷积网络的通信信号调制识别算法

摘要

针对基于深度学习的端到端调制识别方法存在识别率较低、神经网络参数量大的问题,提出了一种基于时间卷积网络(Temporal Convolutional Network, TCN)的调制识别算法。利用一维因果膨胀卷积,提取信号的时域和频域特征,并加入批归一化(Batch Normalization, BN)和Dropout提高算法的拟合能力;使用全局平均池化(Global Average Pooling, GAP)层替代Flatten层,整合向量特征信息,进一步实现信号的准确分类。在RML 2016.10a数据集上验证了TCN算法的识别性能,在不同信噪比(Signal to Noise Ratio, SNR)下对11种调制信号的平均识别率达到62.3%,与CNN,LSTM和SCRNN算法相比分别提高了10.5%、4.1%、1.1%,参数量分别降低了98.8%、82.5%、91.2%。所提方法对于通信调制信号识别的研究领域具有理论参考价值,对复杂环境下的空间信号智能分类的研究具有工程借鉴意义。