任思睿，黃 銘

(云南大學(xué) 信息學(xué)院，云南 昆明 650500)

隨著無(wú)線通信技術(shù)的發(fā)展，無(wú)線電資源逐漸成為一種重要的國(guó)家戰(zhàn)略資源. 為了保證無(wú)線通信安全運(yùn)作，無(wú)線通信調(diào)制識(shí)別技術(shù)越來(lái)越重要[1]. 然而傳統(tǒng)的無(wú)線通信調(diào)制識(shí)別技術(shù)主要基于操作員的部分先驗(yàn)知識(shí)進(jìn)行人工監(jiān)測(cè)與分類(lèi)，在通訊環(huán)境愈發(fā)復(fù)雜的今天，傳統(tǒng)的調(diào)制識(shí)別技術(shù)已經(jīng)很難滿(mǎn)足實(shí)際應(yīng)用的需要.

自動(dòng)調(diào)制分類(lèi)（Automatic Modulation Classification，AMC）技術(shù)在這樣的背景下應(yīng)運(yùn)而生，且在軍民領(lǐng)域都有了許多的實(shí)際應(yīng)用[1-7]. 在軍事領(lǐng)域上，準(zhǔn)確識(shí)別通信信號(hào)的調(diào)制類(lèi)型往往意味著能通過(guò)估計(jì)參數(shù)來(lái)設(shè)計(jì)解調(diào)模型，截獲關(guān)鍵信息，從而可以有針對(duì)性地進(jìn)行軍事行動(dòng)規(guī)劃和部署. 在民用領(lǐng)域中，常有不法分子通過(guò)黑廣播等方式傳播有害信息，相關(guān)部門(mén)可以利用通信信號(hào)調(diào)制識(shí)別技術(shù)區(qū)分正常信號(hào)和非法信號(hào)，從而打擊非法無(wú)線電活動(dòng)，保障無(wú)線通信安全. 在實(shí)際運(yùn)用中，自動(dòng)調(diào)制分類(lèi)技術(shù)可以設(shè)計(jì)一個(gè)自動(dòng)區(qū)分識(shí)別調(diào)制方式的分類(lèi)器，通過(guò)調(diào)制方式來(lái)確定信號(hào)種類(lèi)，監(jiān)測(cè)無(wú)線信號(hào)是否存在自然干擾與人為干擾.

AMC技術(shù)可以分為兩類(lèi)[1]，基于決策論和基于特征. 基于決策論的AMC技術(shù)主要以最大似然準(zhǔn)則為依據(jù)來(lái)分類(lèi)調(diào)制方式，理論上這類(lèi)方法有著最低的誤判率，然而在處理大量數(shù)據(jù)時(shí)計(jì)算復(fù)雜度過(guò)大是這類(lèi)方法的一個(gè)嚴(yán)重缺陷，同時(shí)由于設(shè)計(jì)或選擇似然函數(shù)時(shí)需要足夠的先驗(yàn)知識(shí)，該類(lèi)算法在信道狀況未知或信道存在時(shí)偏、頻偏等誤差時(shí)識(shí)別精度會(huì)明顯下降[8-9]. 基于特征的AMC技術(shù)由于近年來(lái)機(jī)器學(xué)習(xí)的迅速發(fā)展而逐漸成為主流，主要是針對(duì)調(diào)制方式的一些特征量，通過(guò)監(jiān)督或非監(jiān)督學(xué)習(xí)的方式訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后進(jìn)行分類(lèi)與識(shí)別[10-11]. 當(dāng)算法選擇適當(dāng)時(shí)，基于特征的AMC技術(shù)具有易于實(shí)施且準(zhǔn)確率比較理想的優(yōu)勢(shì),然而現(xiàn)有的一些基于神經(jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別算法也存在一些問(wèn)題. 文獻(xiàn)[12]將數(shù)字調(diào)制信號(hào)通過(guò)連續(xù)波多普勒（Continuous Wave Doppler，CWD）架構(gòu)進(jìn)行時(shí)頻域的轉(zhuǎn)換，生成信號(hào)對(duì)應(yīng)的二維灰度圖，再以這些灰度圖為數(shù)據(jù)集使用一種有自適應(yīng)性的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并分類(lèi)信號(hào)，該方法需要生成信號(hào)的灰度圖，這在實(shí)際應(yīng)用中會(huì)增加系統(tǒng)結(jié)構(gòu)的復(fù)雜度. 文獻(xiàn)[13]采用了一種基于雙層卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)的分類(lèi)器，該模型的輸入為時(shí)域的同相正交（I/Q）信號(hào)，可以識(shí)別不同信噪比下的調(diào)制信號(hào)，由于CNN模型對(duì)長(zhǎng)時(shí)間依賴(lài)序列的分類(lèi)任務(wù)表現(xiàn)不佳，其識(shí)別精度很難達(dá)到最優(yōu). 文獻(xiàn)[14]設(shè)計(jì)了一種基于雙層長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)的自動(dòng)調(diào)制分類(lèi)模型，經(jīng)過(guò)參數(shù)調(diào)優(yōu)與對(duì)比實(shí)驗(yàn)，該模型與支持向量機(jī) (Support Vector Machine，SVM)、隨機(jī)森林、K近鄰和淺層CNN等多種算法相比，對(duì)信噪比為?20～20 dB的多種數(shù)字調(diào)制信號(hào)有著更高的識(shí)別準(zhǔn)確率，對(duì)比發(fā)現(xiàn)使用雙層LSTM結(jié)構(gòu)網(wǎng)絡(luò)可以達(dá)到最優(yōu)分類(lèi)性能，但該算法時(shí)間代價(jià)較高.

以上分析可以看出，在基于深度學(xué)習(xí)的自動(dòng)調(diào)制識(shí)別中，使用CNN模型需要將信號(hào)原始特征轉(zhuǎn)換為圖形特征再進(jìn)行訓(xùn)練，而LSTM模型是一種遞歸網(wǎng)絡(luò)，常用的圖形處理器（Graphic Process Unit ,GPU）并行加速方法無(wú)法有效提高其訓(xùn)練效率，導(dǎo)致隨著輸入數(shù)據(jù)量的增大與層數(shù)的加深，訓(xùn)練時(shí)間會(huì)大大增加. 在自然語(yǔ)言處理領(lǐng)域中，常用注意力（Attention）機(jī)制讓模型能在訓(xùn)練中更加關(guān)注那些比較重要的特征，減少模型中的參數(shù)量. 為了充分利用LSTM網(wǎng)絡(luò)在處理長(zhǎng)時(shí)間依賴(lài)序列的優(yōu)勢(shì)，同時(shí)改善LSTM網(wǎng)絡(luò)在處理大數(shù)據(jù)集時(shí)較低的訓(xùn)練效率，本文設(shè)計(jì)了一種基于LSTM網(wǎng)絡(luò)與Attention機(jī)制的無(wú)線通信信號(hào)調(diào)制識(shí)別算法. 該算法可以有效學(xué)習(xí)信號(hào)的原始特征，避免實(shí)際應(yīng)用中無(wú)謂的系統(tǒng)資源浪費(fèi)；同時(shí)Attention機(jī)制的引入使本文設(shè)計(jì)的算法相較于其他基于LSTM網(wǎng)絡(luò)的調(diào)制識(shí)別算法在訓(xùn)練效率與準(zhǔn)確率上都有明顯地提升.

1 LSTM 網(wǎng)絡(luò)以及 Attention 機(jī)制原理

1.1 LSTM 網(wǎng)絡(luò)基本原理LSTM 網(wǎng)絡(luò)通過(guò)引入一種自循環(huán)的機(jī)制，使梯度可以隨時(shí)間變化而變化，從而讓自循環(huán)過(guò)程中的權(quán)重根據(jù)輸入信息動(dòng)態(tài)地變化. 通過(guò)門(mén)控該種自循環(huán)的權(quán)重，累積的時(shí)間尺度也能進(jìn)行動(dòng)態(tài)變化. 這種特性讓LSTM網(wǎng)絡(luò)即使在固定參數(shù)的情況下，其累積的時(shí)間尺度也會(huì)隨著輸入序列的變化而改變[15].

與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)在每個(gè)時(shí)間步都重寫(xiě)記憶不同，LSTM會(huì)將其學(xué)習(xí)到的重要特征保存為長(zhǎng)期記憶，并根據(jù)學(xué)習(xí)的進(jìn)行選擇性的保留、更新或者遺忘已保存的長(zhǎng)期記憶，而在多次迭代中權(quán)重始終很小的特征則會(huì)被網(wǎng)絡(luò)視為短期記憶并最終被遺忘. 這種機(jī)制使得重要的特征信息會(huì)隨著迭代的進(jìn)行一直傳遞，讓網(wǎng)絡(luò)在處理樣本具有長(zhǎng)時(shí)間依賴(lài)性的分類(lèi)任務(wù)中有著更好的性能表現(xiàn)[16-17].

LSTM與普通循環(huán)網(wǎng)絡(luò)類(lèi)似，每個(gè)單元具有相同的輸入與輸出，但同時(shí)LSTM也有更多的參數(shù)和控制信息流動(dòng)的門(mén)控單元系統(tǒng). LSTM最重要的組成部分是狀態(tài)單元其自環(huán)的權(quán)重由遺忘門(mén)控制（其中t代表時(shí)刻，i代表第i個(gè)神經(jīng)元），由sigmoid單元設(shè)置為0和1之間的值. 相應(yīng)的前向傳播公式為

其中，x(t)是當(dāng)前輸入向量，h(t)是當(dāng)前隱藏層輸出向量分別是偏置、輸入權(quán)重和遺忘門(mén)的循環(huán)權(quán)重.

1.2 Attention 機(jī)制Ashish Vaswani等于 2017 年提出了在深度學(xué)習(xí)中加入Attention機(jī)制以提升模型性能[18]，Attention借鑒了人腦鑒別事物的特點(diǎn)，即專(zhuān)注于事物的某些顯著特征，模糊一些不重要的細(xì)節(jié)，這使人將有限的注意力放在大腦認(rèn)為重要的地方，提高工作效率，因此Attention機(jī)制最初主要被應(yīng)用于圖像識(shí)別的領(lǐng)域. 經(jīng)過(guò)一段時(shí)間的研究發(fā)現(xiàn)，Attention機(jī)制與常見(jiàn)于自然語(yǔ)言處理領(lǐng)域的Encoder-Decoder模型能很好地結(jié)合，Encoder-Decoder模型具有較強(qiáng)的通用性，Attention機(jī)制開(kāi)始在不同的領(lǐng)域流行[19-20]. Attention模型一般結(jié)構(gòu)如圖1[21]所示.

圖 1 Attention 模型一般結(jié)構(gòu)Fig. 1 Standard structure of Attention model

圖1中X1、X2、X3、X4由原始數(shù)據(jù)A、B、C、D經(jīng)過(guò)編碼得到，經(jīng)過(guò)Z0的Attention權(quán)值向量加權(quán)后再歸一化產(chǎn)生C0并將其輸入到解碼器，其中通過(guò)一種對(duì)齊概率的計(jì)算方式得到，這種函數(shù)一般稱(chēng)為評(píng)分函數(shù). 文中使用最常用的乘積矩陣，其公式為[20]

2 算法與模型設(shè)計(jì)

在基于特征的AMC技術(shù)中常用的深度學(xué)習(xí)主要是CNN模型與LSTM模型. CNN模型由于對(duì)長(zhǎng)時(shí)間依賴(lài)序列處理能力不佳，基于CNN模型的調(diào)制識(shí)別技術(shù)一般需要先將信號(hào)原始特征轉(zhuǎn)換為圖像特征再傳入CNN進(jìn)行學(xué)習(xí)，這在實(shí)際應(yīng)用中往往會(huì)大幅增加系統(tǒng)架構(gòu)的復(fù)雜程度. 而基于LSTM的調(diào)制識(shí)別技術(shù)在輸入數(shù)據(jù)量增加或者網(wǎng)絡(luò)層數(shù)增加時(shí)訓(xùn)練的時(shí)間代價(jià)會(huì)迅速增長(zhǎng).

近年來(lái)開(kāi)始將Attention機(jī)制運(yùn)用于信號(hào)識(shí)別鄰域的應(yīng)用[22]，深層網(wǎng)絡(luò)在學(xué)習(xí)調(diào)制信號(hào)頻譜經(jīng)過(guò)圖像編碼產(chǎn)生的灰度圖特征后對(duì)MPSK、FSK、AM、QPSK信號(hào)進(jìn)行了分類(lèi)，其對(duì)信噪比為?20 dB的信號(hào)分類(lèi)準(zhǔn)確率為48%，對(duì)信噪比為20 dB的信號(hào)分類(lèi)準(zhǔn)確率為98%.

本文設(shè)計(jì)了一種帶有Attention機(jī)制的LSTM網(wǎng)絡(luò)無(wú)線通信調(diào)制分類(lèi)算法. 首先通過(guò)LSTM網(wǎng)絡(luò)提取信號(hào)的原始特征，再利用Attention機(jī)制為經(jīng)過(guò)LSTM提取的特征向量分配注意力權(quán)重，將那些較為“顯著”的特征集合進(jìn)行高度總結(jié)后輸入分類(lèi)器產(chǎn)生分類(lèi)結(jié)果. Attention機(jī)制的引入可以使模型在訓(xùn)練時(shí)始終關(guān)注那些較為“顯著”的特征，不僅可以降低訓(xùn)練時(shí)的參數(shù)從而提升訓(xùn)練效率，還能提升模型的分類(lèi)準(zhǔn)確率.

本文設(shè)計(jì)的算法的結(jié)構(gòu)框圖如圖2所示.

圖 2 結(jié)合 Attention 機(jī)制的 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 LSTM network structure combined with Attention mechanism

輸入層讀取數(shù)據(jù)集中的數(shù)據(jù)向量并將其傳入網(wǎng)絡(luò).

LSTM層主要負(fù)責(zé)接收樣本數(shù)據(jù)并從樣本數(shù)據(jù)中學(xué)習(xí)特征信息. 其神經(jīng)元個(gè)數(shù)為128，采用L2正則化，L2范數(shù)為0.001，同時(shí)設(shè)置網(wǎng)絡(luò)為雙向網(wǎng)絡(luò)，即后一個(gè)神經(jīng)元的狀態(tài)值也會(huì)反向傳回前一個(gè)節(jié)點(diǎn).

Attention層主要負(fù)責(zé)對(duì)LSTM層中學(xué)習(xí)到的特征集合分配相應(yīng)的注意力權(quán)重. 該層采用sigmoid激活函數(shù)，評(píng)分函數(shù)為乘積矩陣. 由于數(shù)據(jù)集中向量個(gè)數(shù)也是輸入向量的一個(gè)維度，我們希望這一維的每一個(gè)向量單獨(dú)擁有一個(gè)Attention權(quán)重，即每一個(gè)輸入都對(duì)應(yīng)Attention層的一個(gè)輸出，因此需要將Attention層放在LSTM層之后.

全連接層將得到的特征向量經(jīng)過(guò)softmax分類(lèi)器歸一化產(chǎn)生分類(lèi)概率并將其輸出.

本文訓(xùn)練模型時(shí)損失函數(shù)為交叉熵?fù)p失函數(shù)，優(yōu)化器采用AdamOptimizer，具體的訓(xùn)練過(guò)程如下所示：

步驟 1初始化模型中的超參數(shù)，其中學(xué)習(xí)率設(shè)定為 0.000 1;

步驟 2將訓(xùn)練集中的154 000個(gè)樣本用大小為256的batch進(jìn)行切分;

步驟 3隨機(jī)選取一個(gè)生成的batch送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;

步驟 4LSTM層對(duì)輸入網(wǎng)絡(luò)的batch中的數(shù)據(jù)進(jìn)行特征提取，再由Attention層為提取后的特征圖設(shè)置注意力權(quán)重，最終全連接層根據(jù)注意力加權(quán)后的特征圖生成分類(lèi)向量并由softmax分類(lèi)器輸出分類(lèi)結(jié)果;

步驟 5根據(jù)交叉熵?fù)p失函數(shù)計(jì)算本次訓(xùn)練的損失;

步驟 6Adam優(yōu)化器根據(jù)本次訓(xùn)練結(jié)果更新網(wǎng)絡(luò)的超參數(shù);

步驟 7將步驟3～6定義為模型的一次迭代過(guò)程，重復(fù)這種迭代直至模型的分類(lèi)準(zhǔn)確率在多次迭代后已不再發(fā)生明顯的改變.

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集選擇本文使用 RadioML2016.10a 數(shù)據(jù)集[23]來(lái)驗(yàn)證本文所設(shè)計(jì)的算法，該數(shù)據(jù)集的具體參數(shù)見(jiàn)表1.

表 1 RadioML2016.10a 數(shù)據(jù)集的參數(shù)Tab. 1 The parameters of RadioML2016.10a dataset

該數(shù)據(jù)集通過(guò)GNU Radio生成,數(shù)據(jù)為涵蓋了各種被廣泛使用的調(diào)制方式的正交同相（I/Q）信號(hào)，同時(shí)該數(shù)據(jù)集中的數(shù)據(jù)也存在如多徑衰落產(chǎn)生的高斯白噪聲、頻率偏移等常見(jiàn)的信道誤差，信噪比范圍廣，能較為真實(shí)地模擬各種情況的信號(hào).

3.2 實(shí)驗(yàn)與分析為了驗(yàn)證LSTM網(wǎng)絡(luò)在學(xué)習(xí)信號(hào)原始特征時(shí)是否較CNN具有優(yōu)勢(shì)，使用RadioML2016.10a數(shù)據(jù)集分別訓(xùn)練文獻(xiàn)[13]提出的雙層CNN模型以及文獻(xiàn)[14]提出的雙層LSTM模型，并比較它們對(duì)不同信噪比信號(hào)的分類(lèi)準(zhǔn)確率. 本文的實(shí)驗(yàn)平臺(tái)為：Intel Corei7-8700 CPU@ 3.20GHz 的處理器; NVIDIA Geforce GTX 1070；內(nèi)存16GB.

其實(shí)驗(yàn)結(jié)果分別如圖3、圖4所示. 圖 3中CNN2模型的分類(lèi)準(zhǔn)確率在樣本信噪比為18dB時(shí)為81%，而圖4中雙層LSTM網(wǎng)絡(luò)模型在相同信噪比下的識(shí)別準(zhǔn)確率達(dá)到了89%.

圖 3 雙層CNN網(wǎng)絡(luò)在不同信噪比下的分類(lèi)準(zhǔn)確率Fig. 3 Classification accuracy of 2-layers CNN on different SNRs

圖 4 雙層LSTM網(wǎng)絡(luò)在不同信噪比下的分類(lèi)準(zhǔn)確率Fig. 4 Classification accuracy of 2-layers LSTM on different SNRs

可以看出雙層LSTM網(wǎng)絡(luò)模型的總體識(shí)別準(zhǔn)確率比雙層CNN模型有較大優(yōu)勢(shì)，證實(shí)了本文選用LSTM模型作為學(xué)習(xí)信號(hào)原始特征的基準(zhǔn)模型的正確性. 接著對(duì)比雙層LSTM模型與本文設(shè)計(jì)算法的總體準(zhǔn)確率如圖5所示，可以看出在引入注意力機(jī)制后LSTM網(wǎng)絡(luò)的分類(lèi)準(zhǔn)確率在信號(hào)信噪比為18 dB時(shí)可以達(dá)到92%，可見(jiàn)本文提出的算法具有較高的分類(lèi)準(zhǔn)確率.

圖 5 帶有注意力機(jī)制的LSTM網(wǎng)絡(luò)在不同信噪比下的準(zhǔn)確率Fig. 5 Classification accuracy of Attention-based LSTM network on different SNRs

雙層CNN模型、雙層LSTM模型與本文設(shè)計(jì)模型的具體準(zhǔn)確率如表2所示，對(duì)信噪比范圍?20～18 dB的信號(hào)本文提出算法的識(shí)別準(zhǔn)確率都高于傳統(tǒng)的CNN網(wǎng)絡(luò)以及LSTM網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率.

接著對(duì)雙層LSTM網(wǎng)絡(luò)與本文設(shè)計(jì)算法的訓(xùn)練表現(xiàn)進(jìn)行了對(duì)比（圖6、圖7），可以看出在引入Attention機(jī)制后模型的泛化性能也有了一定的提升. 雙層LSTM網(wǎng)絡(luò)在迭代20次之后就出現(xiàn)了過(guò)擬合的現(xiàn)象，而帶有Attention機(jī)制的LSTM網(wǎng)絡(luò)在訓(xùn)練過(guò)程中訓(xùn)練集與測(cè)試集的擬合程度始終較好.

表 2 3 種算法在不同信噪比下的識(shí)別準(zhǔn)確率Tab. 2 Recognition accuracy of three algorithms on different SNR

圖 6 雙層 LSTM 網(wǎng)絡(luò)的訓(xùn)練表現(xiàn)Fig. 6 Training performance of 2-layers LSTM

圖 7 帶有注意力機(jī)制的LSTM網(wǎng)絡(luò)的訓(xùn)練表現(xiàn)Fig. 7 Training performance of Attention-based LSTM network

進(jìn)一步對(duì)比分析Attention機(jī)制對(duì)網(wǎng)絡(luò)訓(xùn)練效率的影響，上述3種調(diào)制識(shí)別算法的平均單次迭代時(shí)間如表3所示，可以看出Attention機(jī)制的引入減少了訓(xùn)練過(guò)程中的參數(shù)數(shù)量，降低了訓(xùn)練中的時(shí)間消耗，帶有Attention機(jī)制的LSTM網(wǎng)絡(luò)的單次迭代時(shí)間平均僅為232 s，僅為雙層LSTM模型平均單次迭代時(shí)間的一半，而雙層CNN模型由于能使用GPU有效并行加速其平均單次迭代時(shí)間最短，但準(zhǔn)確率與另外兩種算法差距較大.

表 3 3 種算法的平均單次迭代時(shí)間Tab. 3 Average single epoch time of three algorithm

綜上可以看出本文所設(shè)計(jì)的算法通過(guò)引入Attention機(jī)制，有效解決了傳統(tǒng)了基于LSTM網(wǎng)絡(luò)的調(diào)制識(shí)別技術(shù)的訓(xùn)練效率不佳的問(wèn)題，同時(shí)在識(shí)別準(zhǔn)確率上也有一定的優(yōu)勢(shì). 最后通過(guò)本文設(shè)計(jì)算法的混淆矩陣（圖8）分析其對(duì)各類(lèi)調(diào)制信號(hào)的分類(lèi)準(zhǔn)確率.可以看出在信噪比為18 dB時(shí)，本文所提出的算法在區(qū)分WBFM和AM-DSB這兩種信號(hào)時(shí)比較困難，這主要是由于原始數(shù)據(jù)集中，這兩種調(diào)制方式的樣本是由實(shí)際音頻流生成，在這個(gè)過(guò)程中有一段音頻流的中斷期，導(dǎo)致這兩種調(diào)制方式的有許多相似的樣本，影響了識(shí)別的準(zhǔn)確率. 而對(duì)于AM-DSB與AM-SSB以及QAM16和QAM64這兩組信號(hào)，由于調(diào)制方式較為相似，模型很難學(xué)習(xí)到能有效區(qū)分它們的特征，導(dǎo)致分類(lèi)結(jié)果存在一些誤判的情況，但本文所設(shè)計(jì)的算法對(duì)這兩組信號(hào)的總體識(shí)別準(zhǔn)確率依然在90%以上.

圖 8 信噪比為 18 dB 時(shí)帶有注意力機(jī)制的 LSTM 網(wǎng)絡(luò)的混淆矩陣Fig. 8 Confusion matrix of Attention-based LSTM with 18 dB SNR

4 總結(jié)與展望

本文旨在利用常用于圖像識(shí)別與自然語(yǔ)言處理中的Attention模型，針對(duì)性地解決調(diào)制識(shí)別中由于輸入數(shù)據(jù)維度大而造成的計(jì)算時(shí)間增長(zhǎng)和準(zhǔn)確率下降的問(wèn)題，實(shí)驗(yàn)結(jié)果表明，本文所設(shè)計(jì)算法準(zhǔn)確率對(duì)信噪比為?20～18 dB的信號(hào)識(shí)別準(zhǔn)確率較高，且本文提出的算法的時(shí)間代價(jià)與傳統(tǒng)的LSTM網(wǎng)絡(luò)模型相比較小.

由于實(shí)驗(yàn)條件限制，本文中用于實(shí)驗(yàn)的信號(hào)數(shù)據(jù)均為軟件仿真產(chǎn)生，未來(lái)應(yīng)采集真實(shí)無(wú)線電通信環(huán)境中的調(diào)制信號(hào)進(jìn)行進(jìn)一步實(shí)驗(yàn)以更好的驗(yàn)證本文提出的算法的有效性. 本文設(shè)計(jì)的算法源碼可于https://github.com/desolating/-att-lstm_mod-rec查看.