电子设计工程ElectronicDesignEngineering第31卷Vol.31第4期No.42023年2月Feb.2023收稿日期：2022-01-05稿件编号：202201011作者简介：郝立鑫（1997—），男，山东临沂人，硕士研究生。研究方向：信号识别、神经网络等。信号进行调制之后，在无线信道中可以进行更加稳定高效地传输，而接收到信号之后，解调信号的前提条件就是确定信号的调制方式。调制识别[1]方法基本分为三类，第一类是早期的人工识别，现已经基本被淘汰；第二类是基于决策理论[2]的最大似然法识别，该种方法运用概率学等相关数学知识进行信号识别，该方法较为复杂；第三类是基于特征提取的统计模式识别，根据信号的不同特征进行识别。调制信号识别技术在不断发展，文献[3]中将卷积双向长短期神经网络应用于信号识别领域，没有先验信息干扰时提高了识别性能，文献[4]中将高阶统计量与决策树相结合，以此进行信号识别，模型鲁棒性较强，文献[5]中将时频特征信号特征作识别信号，信号的时频分析更能反应信号在时间与频率上的变化，且具有普适性。基于卷积神经网络的自动调制识别方法郝立鑫，崔永俊（中北大学仪器科学与动态测试教育部重点实验室，山西太原030051）摘要：针对调制信号识别精度不足的问题，提出了基于卷积神经网络和注意力机制的识别方法。该方法在卷积神经网络的卷积层与池化层之间增加了注意力机制，赋予调制信号关键特征更高的权重，对信号进行时频分析并转换为频谱图作为模型的输入，模型分别对八种数字调制信号及三种模拟调制信号进行识别。按照控制变量原理设置了两组对比实验，将该文方法与现有方法进行对比，实验结果表明，该文方法在信噪比为-10~14dB时，识别准确率提高了0%~9%，在信噪比为0dB时准确率提高了近9%，由实验结果可知该文提出的方法优于现有方法。关键词：深度学习；卷积神经网络；调制识别；注意机制中图分类号：TN911文献标识码：A文章编号：1674-6236（2023）04-0159-05DOI：10.14022/j.issn1674-6236.2023.04.033AutomaticmodulationrecognitionmethodbasedonconvolutionalneuralnetworkHAOLixin，CUIYongjun（KeyLaboratoryofInstrumentationScienceandDynamicMeasurement，MinistryofEducation，NorthUniversityofChina，Taiyuan030051，China）Abstract:Aimingattheproblemofinsufficientrecognitionaccuracyofmodulationsignals，arecognitionmethodbasedonconvolutionalneuralnetworkandattentionmechanismisproposed.Thismethodaddsan...
