时频特性驱动的高效卷积神经网络调制识别方法

本文主要探讨了在现代通信环境中，随着信号调制模式的多样化和复杂性提升，如何开发出一种高效、精确的自动调制识别算法。针对这一问题，作者提出了基于通信信号时频特性的卷积神经网络（Convolutional Neural Network Based on Time-Frequency Characteristics, TFC-CNN）调制识别方法。 首先，研究者强调了在复杂通信环境下，传统的手动调制识别方法已难以满足需求，因此引入了机器学习的视角。他们收集了大量的调制信号样本，利用短时傅里叶变换（Short-Time Fourier Transform, STFT）将这些信号的时间和频率特性转换成图像特征，作为卷积神经网络的输入。这种处理方式有助于捕捉信号的动态特性，为模型提供更丰富的信息。 在模型设计上，作者创新地构建了一种具有更强特征提取能力和较少参数的卷积神经网络。他们优化了网络结构，如通过改进不同层之间的连接方式来增强特征学习能力，并通过减小卷积核的尺度以及引入全局平均池化层（Global Average Pooling Layer），有效地减少了模型的复杂性和计算量，从而提高了识别的实时性。 此外，为了进一步提高模型的稳定性和防止过拟合，他们在网络中加入了批归一化层（Batch Normalization, BN）。批归一化在每一批数据上进行标准化，使得模型对输入变化更加鲁棒，同时保持了模型的泛化性能。 实验结果显示，与传统方法相比，基于TFC-CNN的调制识别算法在参数数量和训练时间上显著降低，但准确率却有所提升，这表明该算法在保持高效的同时，实现了较高的识别精度。因此，本文提出的TFC-CNN调制识别算法对于无线电通信领域的自动化处理具有重要的实际价值和理论贡献。 关键词包括：调制识别、时频特性、卷积神经网络、短时傅里叶变换。在学术分类中，该研究可被归类于TPl83类别下，反映了其在通信信号处理领域的前沿探索。本文的工作为无线通信中的自动调制识别提供了一个有效的新型解决方案。