摘 要：針對(duì)低信噪比下神經(jīng)網(wǎng)絡(luò)難以提取數(shù)字信號(hào)空間特征的問(wèn)題，提出一種基于坐標(biāo)注意力機(jī)制的數(shù)字信號(hào)識(shí)別方案。將８ 種數(shù)字信號(hào)進(jìn)行正交調(diào)制，根據(jù)其幅度、相位信息序列進(jìn)行預(yù)編碼處理，在不同的訓(xùn)練步長(zhǎng)下，提取分析數(shù)字信號(hào)幅度和相位的關(guān)鍵特征，選取合適的神經(jīng)網(wǎng)絡(luò)超參數(shù)，使網(wǎng)絡(luò)達(dá)到擬合面。坐標(biāo)注意力機(jī)制將數(shù)字信號(hào)特征進(jìn)行２ 個(gè)一維特征編碼，分別沿縱向和橫向捕獲幅度和相位的遠(yuǎn)程依賴關(guān)系；將生成的數(shù)字信號(hào)特征編碼為一對(duì)方向感知和位置敏感的權(quán)重系數(shù)，進(jìn)行數(shù)字信號(hào)特征的重標(biāo)定。仿真結(jié)果表明，８ 種數(shù)字信號(hào)下，調(diào)制方式識(shí)別率高于９５％ 時(shí)，卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ） 中坐標(biāo)注意力機(jī)制信噪比增益約為４ ｄＢ，殘差神經(jīng)網(wǎng)絡(luò)中坐標(biāo)注意力機(jī)制信噪比增益約為８ ｄＢ。坐標(biāo)注意力機(jī)制取得了較高的識(shí)別率以及更好的信噪比增益，與通道注意力機(jī)制、空間注意力機(jī)制相比更適用于數(shù)字信號(hào)解調(diào)的應(yīng)用。

關(guān)鍵詞：數(shù)字信號(hào)；調(diào)制識(shí)別；坐標(biāo)注意力機(jī)制；權(quán)重系數(shù)

中圖分類號(hào)：ＴＮ９１１． ３ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０６－１３９８－０９

０ 引言

自動(dòng)調(diào)制識(shí)別（Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ，ＡＭＲ）是在非坐標(biāo)通信中從接收信號(hào)識(shí)別出調(diào)制類型的一種關(guān)鍵技術(shù)［１］。ＡＭＲ 可以在電子戰(zhàn)、監(jiān)視系統(tǒng)和威脅分析中截獲并識(shí)別對(duì)方的調(diào)制信號(hào)，并以該調(diào)制信號(hào)確定干擾信號(hào)的調(diào)制類型；同時(shí)在民用領(lǐng)域用于頻譜管理［２］。但在復(fù)雜的通信環(huán)境中，ＡＭＲ的識(shí)別準(zhǔn)確率因傳輸過(guò)程中的噪聲、多徑衰落等因素的影響，難以提升。傳統(tǒng)方法需要人工進(jìn)行特征提取，存在著設(shè)計(jì)復(fù)雜度高、識(shí)別精度低等問(wèn)題；在不同的通信系統(tǒng)中，分類的算法缺乏魯棒性［３］。

為了解決這方面問(wèn)題，研究學(xué)者將神經(jīng)網(wǎng)絡(luò)應(yīng)用于ＡＭＲ 中，并取得了更好的識(shí)別效果。文獻(xiàn)［４］研究了卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）對(duì)無(wú)線電復(fù)值時(shí)域信號(hào)的適應(yīng)性，證明在低信噪比情況下，深度ＣＮＮ 對(duì)大型密集編碼時(shí)間序列進(jìn)行盲學(xué)習(xí)的可行性。文獻(xiàn)［５］建立了新的數(shù)據(jù)集，拓展了通信信號(hào)的調(diào)制類型同時(shí)混雜了更多樣的信道損傷配置，以此設(shè)計(jì)了相應(yīng)的ＣＮＮ 和殘差網(wǎng)絡(luò)（Ｒｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ，ＲｅｓＮｅｔ）［６］結(jié)構(gòu)，并可以有效地轉(zhuǎn)移到（Ｏｖｅｒ Ｔｈｅ Ａｉｒ，ＯＴＡ）數(shù)據(jù)集，識(shí)別精度損失大約為７％ 。文獻(xiàn)［７］設(shè)計(jì)了一個(gè)８ 層ＣＮＮ 對(duì)信號(hào)的星座圖開展識(shí)別，獲?。眩粒?的調(diào)制階數(shù)，訓(xùn)練好的網(wǎng)絡(luò)可以檢測(cè)到足夠的差異來(lái)區(qū)分１６ＱＡＭ 和６４ＱＡＭ。聯(lián)合參數(shù)調(diào)制識(shí)別方面，文獻(xiàn)［８］利用與樹結(jié)構(gòu)相似的分層神經(jīng)網(wǎng)絡(luò)在根節(jié)點(diǎn)分析接收信號(hào)是否連續(xù)，將不同性質(zhì)的信號(hào)輸送到對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)中，不同節(jié)點(diǎn)的網(wǎng)絡(luò)識(shí)別出調(diào)制方式和調(diào)制階數(shù)，最終將這些信息組合得出調(diào)制類型，但ＱＡＭ 和８ＰＳＫ 下的識(shí)別器并未完全收斂到最終的決策面。文獻(xiàn)［９］利用信號(hào)的異步延遲抽頭圖來(lái)訓(xùn)練具有２ 個(gè)隱藏層的深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)調(diào)制速率和調(diào)制方式的聯(lián)合估計(jì)。文獻(xiàn)［１０ ］通過(guò)平滑偽Ｗｉｇｎｅｒ-Ｖｉｌｌｅ 分布和Ｂｏｒｎ-ｊｏｒｄａｎ 分布變換將信號(hào)轉(zhuǎn)變?yōu)椋?種時(shí)頻圖，并將其圖像特征和手工特征進(jìn)行結(jié)合構(gòu)成聯(lián)合特征。文獻(xiàn)［１１］提出為每個(gè)神經(jīng)網(wǎng)配置權(quán)重系數(shù)，通過(guò)壓縮感知增加權(quán)重系數(shù)的稀疏性，實(shí)現(xiàn)輕量化的ＡＭＲ，但性能有所下降。因此，上述調(diào)制識(shí)別方案在復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)下能展現(xiàn)出良好的識(shí)別準(zhǔn)確率，但計(jì)算復(fù)雜度也隨之提升。輕量化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)下，調(diào)制識(shí)別準(zhǔn)確率還有一定的提升空間。

面對(duì)神經(jīng)網(wǎng)絡(luò)無(wú)法有效提取不同調(diào)制類型信號(hào)的空間變換特征的問(wèn)題，可將坐標(biāo)注意力機(jī)制［１２］與神經(jīng)網(wǎng)絡(luò)相結(jié)合。本文將坐標(biāo)注意力機(jī)制推廣到數(shù)字信號(hào)調(diào)制識(shí)別場(chǎng)景中，提出了基于坐標(biāo)注意力機(jī)制的數(shù)字信號(hào)調(diào)制識(shí)別方案。首先，在不同的正交調(diào)制方式下，設(shè)置神經(jīng)網(wǎng)絡(luò)的超參數(shù)、坐標(biāo)注意力結(jié)構(gòu)，計(jì)算不同坐標(biāo)注意力機(jī)制下神經(jīng)網(wǎng)絡(luò)基本單元的誤差項(xiàng)，利用適應(yīng)性矩估計(jì)（Ａｄａｐｔｉｖｅ ｍｏｍｅｎｔ ｅｓｔｉ-ｍａｔｉｏｎ，Ａｄａｍ）［１３］優(yōu)化算法，根據(jù)神經(jīng)網(wǎng)絡(luò)基本單元的誤差項(xiàng)動(dòng)態(tài)調(diào)整模型的權(quán)重和超參數(shù)，完成模型的自適應(yīng)更新，從而選取較優(yōu)的參數(shù)集使識(shí)別結(jié)果的精度最高并減小過(guò)擬合現(xiàn)象。其次，利用坐標(biāo)注意力機(jī)制在空間維度上聚合幅度和相位特征，生成幅相通道描述符，根據(jù)識(shí)別誤差動(dòng)態(tài)坐標(biāo)注意力機(jī)制參數(shù)，進(jìn)行幅度和相位特征的權(quán)重賦值并產(chǎn)生坐標(biāo)注意力機(jī)制調(diào)制權(quán)值的集合，將其應(yīng)用在特征映射上。最后，在不同網(wǎng)絡(luò)結(jié)構(gòu)、步長(zhǎng)以及不同調(diào)制數(shù)字信號(hào)下進(jìn)行仿真分析。通過(guò)對(duì)數(shù)據(jù)集的訓(xùn)練，取得了較高的識(shí)別率以及更好的信噪比增益，與通道注意力機(jī)制、空間注意力機(jī)制相比更適用于數(shù)字信號(hào)解調(diào)的應(yīng)用。

１ 數(shù)字信號(hào)調(diào)制識(shí)別系統(tǒng)模型

對(duì)寬帶接收信號(hào)完成信號(hào)檢測(cè)和初步的調(diào)制識(shí)別后，需要進(jìn)一步對(duì)各信號(hào)的調(diào)制參數(shù)進(jìn)行精確識(shí)別，以引導(dǎo)后續(xù)的解調(diào)譯碼和輻射源個(gè)體識(shí)別等處理過(guò)程。數(shù)字信號(hào)調(diào)制識(shí)別系統(tǒng)模型如圖１ 所示。

在發(fā)射端，輸入信息ｉ（ｔ）經(jīng)過(guò)信道編碼器，得到編碼后的信號(hào)ｃ（ｔ），隨后將其輸入調(diào)制器得到調(diào)制信號(hào)ｓ（ｔ）＝ Ｓ（ｃ（ｔ）；θ），其中θ 為調(diào)制參數(shù)集合。ｓ（ｔ）經(jīng)過(guò)多徑傳輸，路徑損耗和噪聲干擾后，到達(dá)接收端，接收信號(hào)為ｘ（ｔ）：

式中：Ｇ 表示信道增益，ｆｏ 和θｏ 表示載波的頻率和相位偏移，ｓ （τ）表示時(shí)間τ 處的發(fā)射信號(hào)樣本，ｐ（·）表示脈沖整形，ｈ（·）表示信道響應(yīng)，εＴ 表示符號(hào)的定時(shí)誤差，ｄａｄｄ（ｔ）表示額加性噪聲。

在接收端，調(diào)制識(shí)別的主要任務(wù)是針對(duì)接收信號(hào)ｘ（ｔ），設(shè)計(jì)識(shí)別算法以估計(jì)最佳的調(diào)制參數(shù)θ＾。識(shí)別的調(diào)制參數(shù)θ＾ 一方面可以用于對(duì)ｘ（ｔ）進(jìn)行解調(diào)得到編碼信號(hào)ｃ（ｔ）的估計(jì)值ｃ＾（ｔ），另一方面可以用于為輻射源個(gè)體識(shí)別模塊的信號(hào)預(yù)處理環(huán)節(jié)提供先驗(yàn)信息。

２ 注意力機(jī)制原理

２． １ 通道注意力機(jī)制原理

傳統(tǒng)的ＣＮＮ 已經(jīng)被證明可以出色地處理各種視覺任務(wù)［１４－１５］。卷積接收數(shù)據(jù)預(yù)處理后的二維數(shù)據(jù)的輸入，負(fù)責(zé)提取圖像的特征，池化層負(fù)責(zé)將卷積層提取的特征進(jìn)行挑選，隨后全連接層將池化層的所有特征矩陣轉(zhuǎn)化成一維的特征向量，輸出模型學(xué)習(xí)到的結(jié)果。然而卷積只能構(gòu)建局部關(guān)系，不能構(gòu)建長(zhǎng)期關(guān)系［１６－１７］。通道注意力機(jī)制是一種新的卷積處理方式［１８］，該方式通過(guò)引入自動(dòng)學(xué)習(xí)，獲取特征圖每個(gè)通道的程度信息，然后將這個(gè)程度信息賦予每個(gè)特征圖一個(gè)權(quán)重值，從而師生神經(jīng)網(wǎng)絡(luò)重點(diǎn)關(guān)注某些特征通道，增加對(duì)任務(wù)有用的特征通道。通道注意力機(jī)制原理如圖２所示。

圖２ 中，Ｗ 和Ｗ′表示輸入特征寬度，Ｈ 和Ｈ′表示輸入特征高度，Ｃ 和Ｃ′表示輸入的通道數(shù)，Ｆｓｑ 表示壓縮模塊，Ｆｅｘ 表示激勵(lì)模塊，Ｆｓｃａｌｅ 表示權(quán)重轉(zhuǎn)化。

通道注意力機(jī)制計(jì)算過(guò)程如下：

① Ｆｔｒ：Ｘ→Ｕ，Ｘ∈CＨ′×Ｗ′×Ｃ′，Ｕ∈CＨ×Ｗ×Ｃ ，Ｆｔｒ 視為卷積算子，Ｖ ＝ ［ｖ１ ，ｖ２ ，…，ｖｃ ］代表卷積核，Ｖｃ 代表卷積核參數(shù)，Ｕ ＝ ［ｕ１ ，ｕ２ ，…，ｕｃ］代表局部描述子集合，ｕｃ 表示為：

② Ｓｑｕｅｅｚｅ 負(fù)責(zé)全局信息嵌入，采用ｇｌｏｂａｌ ａｖｅｒａｇｅ ｐｏｏｌｉｎｇ 將一個(gè)通道上全局空間信息編碼為一個(gè)全局特征，其數(shù)學(xué)模型為：

式中：Ｈ 表示二維特征的高，Ｗ 表示二維特征的寬，Ｆｓｑ 表示全局平均化。

③ Ｅｘｃｉｔａｔｉｏｎ 負(fù)責(zé)自適應(yīng)調(diào)整來(lái)抓取通道之間的依賴關(guān)系，選用ｓｉｇｍｏｉｄ 激活函數(shù)作為簡(jiǎn)單的門控制單元：

ｓ ＝ Ｆｅｘ（ｚ，Ｗ） ＝ σ（ｇ（ｚ，Ｗ）） ＝ σ（Ｗ２ δ（Ｗ１ ｚ））， （４）

式中：δ 表示ＲｅＬＵ 激活函數(shù)［１９］，Ｗ１∈RＣ/ｒ×Ｃ，Ｗ２ ∈RＣ×Ｃ/ｒ。

最終的輸出Ｘ～ 由Ｕ 與激活權(quán)重轉(zhuǎn)換得到：

Ｘ～ｃ ＝ Ｆｓｃａｌｅ（ｕｃ ，ｓｃ ） ＝ ｓｃ ·ｕｃ 。（５）

２． ２ 基于坐標(biāo)注意力機(jī)制的識(shí)別原理

通道注意力機(jī)制接收全局特征并編碼通道間的關(guān)系，為了利用這種表現(xiàn)特征的能力，根據(jù)數(shù)字調(diào)制信號(hào)幅度和相位特點(diǎn)，提出一種二次變換—坐標(biāo)注意力機(jī)制，使用池化核的２ 個(gè)空間范圍（ｈ，１）和（１，ｗ）沿水平方向和垂直方向?qū)γ總€(gè)通道分別進(jìn)行空間編碼，隨后將２ 個(gè)方向的空間編碼鏈接起來(lái)，其數(shù)學(xué)模型表示為：

式中：Ｆ１ 表示１ ×１ 卷積采樣，［·，·］表示空間維度的拼接運(yùn)算，δ 表示非線性激活函數(shù)，ｆ∈CＣ ／ ｒ×（Ｈ＋Ｗ）表示對(duì)水平和垂直方向的空間信息編碼后的中繼特征，然后將ｆ 沿著空間維度分為２ 個(gè)獨(dú)立的張量ｆ ｈ ∈CＣ ／ ｒ×Ｈ 、ｆ ｗ ∈CＣ ／ ｒ×Ｗ ，隨后按式（７）和式（８）進(jìn)行坐標(biāo)通道注意力匹配：

ｇｈ ＝ σ（Ｆｈ（ｆ ｈ ））， （７）

ｇｗ ＝ σ（Ｆｗ（ｆ ｗ ））。（８）

將上述得到的ｇｈ，ｇｗ 擴(kuò)展并形成注意力權(quán)重，最終輸出ｙｃ：

ｙｃ（ｉ，ｊ） ＝ ｘｃ（ｉ，ｊ）× ｇｈｃ（ｉ）× ｇｗｃ（ｊ）。（９）

當(dāng)經(jīng)過(guò)數(shù)字調(diào)制的ＩＱ 信號(hào)輸入到網(wǎng)絡(luò)時(shí)，坐標(biāo)注意力機(jī)制使用池化層的一種空間池化（ｈ，１）沿著相位，另一種空間（１，ｗ）沿著幅度對(duì)每個(gè)輸入信號(hào)進(jìn)行精確編碼，沿著２ 個(gè)方向聚合信號(hào)特征，產(chǎn)生一對(duì)方向感知的特征映射，隨后將此特征映射進(jìn)行鏈接并激活，將信號(hào)的相位注意力和幅度注意力同時(shí)施加到信號(hào)張量上，更準(zhǔn)確地提取到信號(hào)特征，提高識(shí)別精度。基于坐標(biāo)注意力機(jī)制的殘差中坐標(biāo)注意力機(jī)制原理如圖３ 所示，其主要由輸入層、坐標(biāo)注意力機(jī)制、殘差層和輸出層組成。在預(yù)測(cè)模型中，損失函數(shù)采用交叉熵?fù)p失（Ｃｒｏｓｓ Ｅｎｔｒｏｐｙ Ｌｏｓｓ）函數(shù)，優(yōu)化算法采用Ａｄａｍ 算法，并在ＰｙＴｏｒｃｈ 框架下完成對(duì)模型的搭建測(cè)試，其模型的具體結(jié)構(gòu)如下。

（１）數(shù)據(jù)預(yù)編碼。本文預(yù)編碼主要用于標(biāo)識(shí)信號(hào)類型和增強(qiáng)信號(hào)。在譯碼過(guò)程中，模型根據(jù)所觀察到的狀態(tài)選擇類型。因此，應(yīng)對(duì)設(shè)定參數(shù)所產(chǎn)生的數(shù)字調(diào)制信號(hào)進(jìn)行編碼［２０］。

① 標(biāo)識(shí)信號(hào)編碼：標(biāo)識(shí)正確是標(biāo)識(shí)一位有效碼并區(qū)分不同調(diào)制信號(hào)的狀態(tài)，需要在一個(gè)向量中添加一個(gè)位來(lái)區(qū)分“信號(hào)調(diào)制類型”。本研究采用ｏｎｅｈｏｔ 編碼，編碼中只有一位為１，其他位為０。對(duì)于長(zhǎng)度為Ｌ＋１ 的二進(jìn)制向量，前Ｌ 位與長(zhǎng)度為Ｘ，寬度Ｙ 的信號(hào)二維特征向量對(duì)應(yīng)，Ｌ＋１ 位用于標(biāo)識(shí)與之對(duì)應(yīng)的調(diào)制信號(hào)。

② 增強(qiáng)信號(hào)編碼：Ａ 表示ＡＭ 編碼器輸出的信號(hào)序列，采用批量反正切編碼；Ａ～ 表示一個(gè)信號(hào)，由神經(jīng)網(wǎng)絡(luò)的輸出來(lái)決定。

（２）輸入層。輸入層變量為經(jīng)過(guò)ｏｎｅｈｏｔ 編碼預(yù)處理后的８ 種數(shù)字調(diào)制方式的ＩＱ 數(shù)據(jù)。

（３）坐標(biāo)注意力殘差層?；谧鴺?biāo)注意力的ＲｅｓＮｅｔ 預(yù)測(cè)模型中，每個(gè)坐標(biāo)注意力殘差層包括多個(gè)殘差塊和多個(gè)坐標(biāo)注意力塊。殘差塊的增加，可以解決梯度消失和梯度爆炸等問(wèn)題，極大地提升有效訓(xùn)練的網(wǎng)絡(luò)的深度；坐標(biāo)注意力塊的增加，可以解決通道之間關(guān)鍵特征和空間關(guān)鍵特征提取等問(wèn)題。同時(shí)，在坐標(biāo)注意力殘差層中存在一個(gè)超參數(shù)學(xué)習(xí)率，用于決定識(shí)別最優(yōu)調(diào)制信號(hào)類型的序列。本文通過(guò)數(shù)字信號(hào)數(shù)據(jù)集在預(yù)訓(xùn)練下進(jìn)行比較分析，篩選出信號(hào)識(shí)別效果較好的網(wǎng)絡(luò)預(yù)測(cè)模型。

（４）輸出層。輸出層變量為每一種數(shù)字調(diào)制信號(hào)的識(shí)別正確概率。

（５）損失計(jì)算。坐標(biāo)注意力殘差模型一般采用交叉熵?fù)p失反映預(yù)測(cè)結(jié)果的準(zhǔn)確度，其計(jì)算公式為：

Ｌｏｓｓ ＝ － ｙｌｇｙ＾ － （１ － ｙ）ｌｇ（１ －ｙ＾ ）， （１０）

式中：ｙ 表示真實(shí)值，ｙ＾ 表示預(yù)測(cè)值，Ｌｏｓｓ 表示損失值。

（６）優(yōu)化算法。本文采用Ａｄａｍ 優(yōu)化算法，根據(jù)學(xué)習(xí)率的大小與訓(xùn)練輪次動(dòng)態(tài)調(diào)整權(quán)重衰減系數(shù)。算法的參數(shù)設(shè)定如下。學(xué)習(xí)率因子ａ ＝ ０． ０１，ａ/λ為權(quán)重衰減系數(shù)，λ 為訓(xùn)練輪次。

３ 實(shí)驗(yàn)部分及分析

為驗(yàn)證所提出的坐標(biāo)注意力方案在數(shù)字信號(hào)識(shí)別領(lǐng)域的性能，本文采用ＧＮＵ Ｒａｄｉｏ 軟件平臺(tái)仿真生成的ＩＱ 信號(hào)數(shù)據(jù)集ＲＭＬ２０１６． １０Ａ 進(jìn)行相應(yīng)的實(shí)驗(yàn)，數(shù)據(jù)集在－２０ ～ １８ ｄＢ 的信噪比環(huán)境下生成。并根據(jù)本文實(shí)驗(yàn)選取其中８ 種數(shù)字信號(hào)調(diào)制方式，每符號(hào)８ 個(gè)Ｉ ／ Ｑ 采樣點(diǎn)。每個(gè)樣本的數(shù)據(jù)格式為２×１２８，２ 表示Ｉ、Ｑ 兩路采樣信號(hào)，１２８ 表示采樣點(diǎn)長(zhǎng)度，經(jīng)過(guò)數(shù)據(jù)預(yù)處理之后形成實(shí)驗(yàn)所需要的數(shù)據(jù)集。本文實(shí)驗(yàn)數(shù)字信號(hào)模擬參數(shù)數(shù)如表１ 所示。部分?jǐn)?shù)據(jù)集展示如圖４ 所示，在不同的網(wǎng)絡(luò)結(jié)構(gòu)和坐標(biāo)注意力機(jī)制下進(jìn)行了調(diào)制識(shí)別的系統(tǒng)仿真實(shí)驗(yàn)。

針對(duì)不同的數(shù)字信號(hào)調(diào)制方式下，特征提取困難對(duì)信號(hào)調(diào)制識(shí)別系統(tǒng)造成不同程度的誤識(shí)別影響，需要增加網(wǎng)絡(luò)結(jié)構(gòu)的泛化性，以應(yīng)對(duì)各種復(fù)雜調(diào)制方式，從而建立識(shí)別性能更好的神經(jīng)網(wǎng)絡(luò)模型。因此本文將數(shù)字信號(hào)預(yù)處理為（２，１２８）的ＩＱ 數(shù)據(jù)，采集１． ６×１０５條數(shù)字信號(hào)序列樣本，將６０％ 的信號(hào)序列樣本劃分為訓(xùn)練集，２０％ 劃分為驗(yàn)證集，２０％ 劃分為測(cè)試集。

在該數(shù)據(jù)集上，本文重點(diǎn)測(cè)試了ＣＬＤＮＮ、ＣＬＤＮＮ＿ＣＡ、ＲｅｓＮｅｔ、ＣＡ＿ＲｅｓＮｅｔ 和ＲｅｓＮｅｔ＿ＣＡ 五種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。實(shí)驗(yàn)中，先進(jìn)行數(shù)據(jù)預(yù)處理和數(shù)字信號(hào)特征選擇，學(xué)習(xí)率初始設(shè)置為０． ０１（根據(jù)訓(xùn)練誤差動(dòng)態(tài)匹配），訓(xùn)練的輪次（Ｅｐｏｃｈ）設(shè)置為１００，批量大?。ǎ猓幔簦悖?ｓｉｚｅ）設(shè)置為６４。在不同的調(diào)制方式下，對(duì)于模型的性能進(jìn)行討論與分析。

為了分析驗(yàn)證坐標(biāo)注意力機(jī)制對(duì)于網(wǎng)絡(luò)收斂速度的影響，得到如圖５ 所示的４ 種網(wǎng)絡(luò)的訓(xùn)練損失。ＲｅｓＮｅｔ 在第５ 輪的訓(xùn)練后，訓(xùn)練損失得益于殘差塊的作用，迅速下降，模型得到快速收斂。因?yàn)殚L(zhǎng)短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）的存在，其ＣＬＤＮＮ 與ＣＬＤＮＮ＿ＣＡ 的訓(xùn)練損失收斂得慢且整體訓(xùn)練損失大于ＲｅｓＮｅｔ。在相同的網(wǎng)絡(luò)結(jié)構(gòu)下，當(dāng)加入坐標(biāo)注意力機(jī)制時(shí)，隨著訓(xùn)練輪次的增加，其訓(xùn)練損失相比于傳統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)下降得更快，當(dāng)訓(xùn)練１００ 輪時(shí)，ＣＬＤＮＮ＿ＣＡ 的訓(xùn)練損失相較于ＣＬＤＮＮ 下降了２％ ，ＲｅｓＮｅｔ＿ＣＡ 的訓(xùn)練損失則下降了１８％ ，且根據(jù)驗(yàn)證集所得到的數(shù)據(jù)表明４ 種網(wǎng)絡(luò)結(jié)構(gòu)在１００ 輪的訓(xùn)練下均能到達(dá)收斂。

為了驗(yàn)證坐標(biāo)注意力機(jī)制８ 種調(diào)制信號(hào)的識(shí)別效果，本文將坐標(biāo)注意力機(jī)制引入到ＲｅｓＮｅｔ 中。ＲｅｓＮｅｔ 和坐標(biāo)注意力ＲｅｓＮｅｔ 的混淆矩陣分別如圖６ 和圖７ 所示，受限于殘差塊的作用，坐標(biāo)注意力機(jī)制在ＧＦＳＫ 和ＱＡＭ６４ 調(diào)制方式上提升了３％ 和４％的識(shí)別準(zhǔn)確率，但同時(shí)ＱＡＭ１６ 和ＱＡＭ６４ 調(diào)制方式的識(shí)別準(zhǔn)確率較低。這是因?yàn)椋?種調(diào)制信號(hào)具有較高的調(diào)制階數(shù)，６４ＱＡＭ 相當(dāng)于１６ＱＡＭ 的對(duì)稱擴(kuò)展，相似度較高。實(shí)驗(yàn)表明，坐標(biāo)注意力機(jī)制的引入仍然難以提升神經(jīng)網(wǎng)絡(luò)識(shí)別不同階數(shù)的調(diào)制方式的精度，該調(diào)制中對(duì)幅度和相位分別提取特征，但對(duì)于幅度和相位聯(lián)合的特征提取較為困難。

為了充分說(shuō)明坐標(biāo)注意力機(jī)制能夠更好地提取數(shù)字信號(hào)幅度和相位的多層維度信息，將坐標(biāo)注意力機(jī)制下的神經(jīng)網(wǎng)絡(luò)模型分別對(duì)比文獻(xiàn)［５］設(shè)計(jì)的ＣＬＤＮＮ 模型、文獻(xiàn)［２０］采用的ＲｅｓＮｅｔ 模型，４ 種網(wǎng)絡(luò)識(shí)別效果如圖８ 所示。由圖８ 可知，與ＣＬＤＮＮ 相比，引入了坐標(biāo)注意力機(jī)制的ＣＬＤＮＮ＿ＣＡ 在０ ～ ２０ ｄＢ下的數(shù)字信號(hào)識(shí)別精度提升約為１０％ ，但在－１０ ～－４ ｄＢ 下提升并不明顯。這是由于信號(hào)在低信噪比下，噪聲的相對(duì)強(qiáng)度更高，使得數(shù)字信號(hào)丟失了關(guān)鍵的信號(hào)特征。這一方面使得坐標(biāo)注意力機(jī)制更多地提取到噪聲的特征；另一方面對(duì)于數(shù)字信號(hào)特征提取變得更加困難，造成數(shù)字調(diào)制信號(hào)識(shí)別準(zhǔn)確率下降。由于沒有引入殘差塊，ＣＬＤＮＮ 與ＣＬＤＮＮ ＿ＣＡ的識(shí)別準(zhǔn)確率都大幅低于ＲｅｓＮｅｔ，與文獻(xiàn)［２１］中ＲｅｓＮｅｔ 相對(duì)比，在０ ～ ２０ ｄＢ 下ＲｅｓＮｅｔ 和ＲｅｓＮｅｔ＿ＣＡ識(shí)別準(zhǔn)確率都在９０％ 以上。在高信噪比情況下，坐標(biāo)注意力機(jī)制并沒有給ＲｅｓＮｅｔ 帶來(lái)額外的增益，但在－８ ｄＢ 下，ＲｅｓＮｅｔ ＿ ＣＡ 識(shí)別精度比ＲｅｓＮｅｔ 高１７％ ，表明在－８ ｄＢ 情況下，坐標(biāo)注意力機(jī)制能夠更好地提高殘差結(jié)構(gòu)的性能。

本文對(duì)坐標(biāo)注意力機(jī)制是否影響數(shù)字信號(hào)的識(shí)別精度采取消融實(shí)驗(yàn)，采取３ 種網(wǎng)絡(luò)結(jié)構(gòu)模型：ＲｅｓＮｅｔ 模型、ＣＡ＿ＲｅｓＮｅｔ 模型、ＲｅｓＮｅｔ＿ＣＡ 模型。部分網(wǎng)絡(luò)結(jié)構(gòu)如圖９ 和圖１０ 所示。

坐標(biāo)注意力機(jī)制識(shí)別效果如圖１１ 所示。由圖１１ 可以看出，識(shí)別精度高于９５％ 時(shí)，卷積中坐標(biāo)注意力機(jī)制識(shí)別性能相較于無(wú)坐標(biāo)注意力機(jī)制增益為４ ｄＢ，殘差中坐標(biāo)注意力機(jī)制信噪比增益大約為８ ｄＢ。在０ ～ ８ ｄＢ 情況下，ＲｅｓＮｅｔ 對(duì)于信號(hào)的識(shí)別準(zhǔn)確率大于ＲｅｓＮｅｔ＿ＣＡ，表明此時(shí)殘差塊中的坐標(biāo)注意力機(jī)制對(duì)網(wǎng)絡(luò)的信號(hào)識(shí)別性能產(chǎn)生了抑制作用。信噪比為４ ｄＢ 時(shí)，坐標(biāo)注意力機(jī)制對(duì)于ＲｅｓＮｅｔ識(shí)別正確率降低了１％ 。當(dāng)坐標(biāo)注意力機(jī)制插入到ＲｅｓＮｅｔ 中的卷積部分時(shí)，坐標(biāo)注意力機(jī)制能夠?qū)Γ遥澹螅危澹?信號(hào)識(shí)別產(chǎn)生系統(tǒng)增益。信噪比為－ ４ ～１８ ｄＢ 時(shí)，ＣＡ＿ＲｅｓＮｅｔ 對(duì)于信號(hào)的識(shí)別準(zhǔn)確率均大于９５％ 。信噪比為１０ ｄＢ 時(shí)，坐標(biāo)注意力機(jī)制對(duì)于ＲｅｓＮｅｔ 的信號(hào)識(shí)別提高約２％ 。以上結(jié)果表明，坐標(biāo)注意力機(jī)制在卷積塊中相較于殘差塊能夠更好地提取信號(hào)的特征，且隨著信噪比的提高，信噪比增益效果更佳。

為分析與比較坐標(biāo)注意力機(jī)制對(duì)于不同網(wǎng)絡(luò)結(jié)構(gòu)算法的影響，列出不同已訓(xùn)練完成的網(wǎng)絡(luò)結(jié)構(gòu)中部分參數(shù)，如表２ 所示。因ＣＬＤＮＮ 結(jié)構(gòu)簡(jiǎn)單，ＣＬＤＮＮ＿ＣＡ 的信號(hào)識(shí)別時(shí)長(zhǎng)明顯低于ＲｅｓＮｅｔ＿ＣＡ，且參數(shù)大小同樣低于ＲｅｓＮｅｔ＿ＣＡ。ＣＬＤＮＮ 的平均絕對(duì)誤差（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ，ＭＡＥ）為１． ４０８ ７，識(shí)別誤差效果最差。得益于坐標(biāo)注意力機(jī)制的加入，ＣＬＤＮＮ＿ＣＡ 的誤差則降低到１． １８１ ６。同時(shí)，殘差中的添加坐標(biāo)注意力機(jī)制同樣降低了平均絕對(duì)誤差。相較于未添加坐標(biāo)注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)，坐標(biāo)注意力機(jī)制的引入在降低平均絕對(duì)誤差的同時(shí)，參數(shù)量大小沒有明顯增加。但隨著網(wǎng)絡(luò)結(jié)構(gòu)更復(fù)雜的同時(shí)，坐標(biāo)注意力機(jī)制的引入會(huì)加長(zhǎng)信號(hào)識(shí)別的時(shí)間。號(hào)數(shù)據(jù)集較小的情況下，ＲｅｓＮｅｔ＿ＣＡ 和ＣＡ＿ＲｅｓＮｅｔ 識(shí)別時(shí)間增加了大約１ ｓ。

４ 結(jié)束語(yǔ)

為了提高數(shù)字信號(hào)識(shí)別精度，本文設(shè)計(jì)了一種新的數(shù)字信號(hào)調(diào)制識(shí)別方案———基于坐標(biāo)注意力機(jī)制的數(shù)字信號(hào)調(diào)制識(shí)別。通過(guò)仿真分析得到，在低信噪比情況下，坐標(biāo)注意力機(jī)制對(duì)于數(shù)字信號(hào)調(diào)制識(shí)別能夠提升３％ 左右的識(shí)別精度，識(shí)別性能也更加穩(wěn)定。在此基礎(chǔ)上，本文進(jìn)行了殘差塊和卷積塊中坐標(biāo)注意力機(jī)制的對(duì)比實(shí)驗(yàn)，結(jié)果表明卷積中的坐標(biāo)注意力機(jī)制相較于殘差塊中平均增益為４ ｄＢ，卷積中的坐標(biāo)注意力機(jī)制的識(shí)別準(zhǔn)確率能夠達(dá)到９５％ 以上。當(dāng)識(shí)別精度為９５％ 時(shí)，在ＣＮＮ 中添加坐標(biāo)注意力機(jī)制相較于無(wú)坐標(biāo)注意力機(jī)制能夠得到４ ｄＢ 左右的信噪比增益，在殘差神經(jīng)網(wǎng)絡(luò)中添加坐標(biāo)注意力機(jī)制相較于無(wú)坐標(biāo)注意力機(jī)制能夠得到８ ｄＢ 左右的信噪比增益。

實(shí)驗(yàn)表明，相較于通道注意力機(jī)制、空間注意力機(jī)制，坐標(biāo)注意力機(jī)制可根據(jù)數(shù)字信號(hào)的特點(diǎn)建立時(shí)頻域間的關(guān)系，同時(shí)精確地捕獲空間方向長(zhǎng)期的依賴關(guān)系，提升數(shù)字信號(hào)調(diào)制識(shí)別精度。本文在ＱＡＭ１６ 和ＱＡＭ６４ 的調(diào)制方式識(shí)別上仍存在精度不足的問(wèn)題，后續(xù)將繼續(xù)考慮提高對(duì)這２ 類數(shù)字信號(hào)的識(shí)別精度。

參考文獻(xiàn)

［１］ ＭＥＮＧ Ｆ，ＣＨＥＮ Ｐ，ＷＵ Ｌ Ｎ，ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ ＭｏｄｕｌａｔｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎ：Ａ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｅｎａｂｌｅｄ Ａｐｐｒｏａｃｈ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０１８，６７（１１）：１０７６０－１０７７２．

［２］ ＫＵＬＩＮ Ｍ，ＫＡＺＡＺ Ｔ，ＭＯＥＲＭＡＮ Ｉ，ｅｔ ａｌ． ＥｎｄｔｏＥｎｄＬｅａｒｎｉｎｇ ｆｒｏｍ Ｓｐｅｃｔｒｕｍ Ｄａｔａ：Ａ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ａｐｐｒｏａｃｈｆｏｒ Ｗｉｒｅｌｅｓｓ Ｓｉｇｎａｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｉｎ Ｓｐｅｃｔｒｕｍ ＭｏｎｉｔｏｒｉｎｇＡｐｐｌｉｃａｔｉｏｎｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１８，６：１８４８４－１８５０１．

［３］ 李峰． 基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制信號(hào)識(shí)別算法研究［Ｄ］． 南京：南京信息工程大學(xué)，２０２１．

［４］ Ｏ’ＳＨＥＡ Ｔ Ｊ，ＣＯＲＧＡＮ Ｊ，ＣＬＡＮＣＹ Ｔ Ｃ． ＣｏｎｖｏｌｕｔｉｏｎａｌＲａｄｉｏ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｃ］∥ＥｎｇｉｎｅｅｒｉｎｇＡｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ． Ａｂｅｒｄｅｅｎ：Ｓｐｒｉｎｇｅｒ，２０１６：２１３－２２６．

［５］ Ｏ’ＳＨＥＡ Ｔ Ｊ，ＲＯＹ Ｔ，ＣＬＡＮＣＹ Ｔ Ｃ． Ｏｖｅｒｔｈｅａｉｒ ＤｅｅｐＬｅａｒｎｉｎｇ Ｂａｓｅｄ Ｒａｄｉｏ Ｓｉｇｎａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［Ｊ ］． ＩＥＥＥＪｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓ ｉｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０１８，１２（１）：１６８－１７９．

［６］ ＬＩＵ Ｘ Ｙ，ＹＡＮＧ Ｄ Ｙ，ＧＡＭＡＬ Ａ Ｅ． Ｄｅｅｐ Ｎｅｕｒａｌ ＮｅｔｗｏｒｋＡｒｃｈｉｔｅｃｔｕｒｅｓ ｆｏｒ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］∥２０１７ ５１ｓｔＡｓｉｌｏｍａｒ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｉｇｎａｌｓ，Ｓｙｓｔｅｍｓ，ａｎｄ Ｃｏｍｐｕｔｅｒｓ．Ｐａｃｉｆｉｃ Ｇｒｏｖｅ：ＩＥＥＥ，２０１７：９１５－９１９．

［７］ ＷＡＮＧ Ｙ，ＬＩＵ Ｍ，ＹＡＮＧ Ｊ，ｅｔ ａｌ． Ｄａｔａｄｒｉｖｅｎ ＤｅｅｐＬｅａｒｎｉｎｇ ｆｏｒ Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ ｉｎＣｏｇｎｉｔｉｖｅ Ｒａｄｉｏｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２０１９，６８（４）：４０７４－４０７７．

［８］ ＫＡＲＲＡ Ｋ，ＫＵＺＤＥＢＡ Ｓ，ＰＥＴＥＲＳＥＮ Ｊ． Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｕｓｉｎｇ Ｈｉｅｒａｒｃｈｉｃａｌ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥２０１７ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｄｙｎａｍｉｃ ＳｐｅｃｔｒｕｍＡｃｃｅｓｓ Ｎｅｔｗｏｒｋｓ （Ｄｙｓｐａｎ）． Ｂａｌｔｉｍｏｒｅ：ＩＥＥＥ，２０１７：１－３．

［９］ ＫＨＡＮ Ｆ Ｎ，ＬＵ Ｃ，ＬＡＵ Ａ Ｐ Ｔ． Ｊｏｉｎｔ Ｍｏｄｕｌａｔｉｏｎ Ｆｏｒｍａｔ ／Ｂｉｔｒａｔｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ＳｉｇｎａｌｔｏＮｏｉｓｅ Ｒａｔｉｏ Ｅｓｔｉｍａｔｉｏｎｉｎ Ｍｕｌｔｉｐａｔｈ Ｆａｄｉｎｇ Ｃｈａｎｎｅｌｓ Ｕｓｉｎｇ Ｄｅｅｐ ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ ［Ｊ ］． Ｅｌｅｃｔｒｏｎｉｃｓ Ｌｅｔｔｅｒｓ，２０１６，５２ （１４ ）：１２７２－１２７４．

［１０］ ＺＨＡＮＧ Ｚ Ｆ，ＷＡＮＧ Ｃ，ＧＡＮ Ｃ Ｑ，ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｗｉｔｈ Ｆｅａｔｕｒｅｓ Ｆｕｓｉｏｎ ｏｆ ＳＰＷＶＤ ａｎｄ ＢＪＤ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ ｏｖｅｒＮｅｔｗｏｒｋｓ，２０１９，５（３）：４６９－４７８．

［１１］ ＨＯＵ Ｑ Ｂ，ＺＨＯＵ Ｄ Ｑ，ＦＥＮＧ Ｊ Ｓ． Ｃｏｏｒｄｉｎａｔｅ Ａｔｔｅｎｔｉｏｎｆｏｒ Ｅｆｆｉｃｉｅｎｔ Ｍｏｂｉｌｅ Ｎｅｔｗｏｒｋ Ｄｅｓｉｇｎ ［Ｃ］∥ ２０２１ ＩＥＥＥ ／ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｎａｓｈｖｉｌｌｅ：ＩＥＥＥ，２０２１：１３７０８－１３７１７．

［１２］ ＭＡＮＤＴ Ｓ，ＨＯＦＦＭＡＮ Ｍ Ｄ，ＢＬＥＩ Ｄ Ｍ． Ｓｔｏｃｈａｓｔｉｃ Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ ａｓ Ａｐｐｒｏｘｉｍａｔｅ Ｂａｙｅｓｉａｎ Ｉｎｆｅｒｅｎｃｅ ［ＥＢ ／ＯＬ］． （２０１７ － ０４ － １３）［２０２３ － ０７ － ０１］． ｈｔｔｐｓ：∥ ａｒｘｉｖ．ｏｒｇ ／ ｐｄｆ ／ １７０４． ０４２８９ｖ１． ｐｄｆ．

［１３］ ＳＨＥＬＨＡＭＥＲ Ｅ，ＬＯＮＧ Ｊ，ＤＡＲＲＥＬＬ Ｔ． Ｆｕｌｌｙ Ｃｏｍｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９（４）：６４０－６５１．

［１４］ ＫＲＩＺＨＥＶＳＫＹ Ａ，ＳＵＴＳＫＥＶＥＲ Ｉ，ＨＩＮＴＯＮ Ｇ Ｅ．Ｉｍａｇｅｎｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＮｅｕｒａｌＮｅｔｗｏｒｋｓ［Ｊ］． Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ，２０１７，６０（６）：８４－９０．

［１５］ ＺＨＡＯ Ｈ Ｓ，ＳＨＩ Ｊ Ｐ，ＱＩ Ｘ Ｊ，ｅｔ ａｌ． Ｐｙｒａｍｉｄ Ｓｃｅｎｅ ＰａｒｓｉｎｇＮｅｔｗｏｒｋ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｈｏｎｏｌｕｌｕ：ＩＥＥＥ，２０１７：６２３０－６２３９．

［１６］ ＨＯＵ Ｑ Ｂ，ＺＨＡＮＧ Ｌ，ＣＨＥＮＧ Ｍ Ｍ，ｅｔ ａｌ． Ｓｔｒｉｐ Ｐｏｏｌｉｎｇ：Ｒｅｔｈｉｎｋｉｎｇ Ｓｐａｔｉａｌ Ｐｏｏｌｉｎｇ ｆｏｒ Ｓｃｅｎｅ Ｐａｒｓｉｎｇ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓｅａｔｔｌｅ：ＩＥＥＥ，２０２０：４００３－４０１２．

［１７］ ＨＵ Ｊ，ＳＨＥＮ Ｌ，ＳＵＮ Ｇ． ＳｑｕｅｅｚｅａｎｄＥｘｃｉｔａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１８ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ：ＩＥＥＥ，２０１８：７１３２－７１４１．

［１８］ ＮＡＩＲ Ｖ，ＨＩＮＴＯＮ Ｇ Ｅ． Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔｓ ＩｍｐｒｏｖｅＲｅｓｔｒｉｃｔｅｄ Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅｓ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ２７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ．Ｈａｉｆａ：ＡＣＭ，２０１０：８０７－８１４．

［１９］ 陶志勇，閆明豪，劉影，等． 基于ＡＧＣＮＮ 的輕量級(jí)調(diào)制識(shí)別方法［Ｊ］． 電子測(cè)量與儀器學(xué)報(bào)，２０２２，３６（４）：２４１－２４９．

［２０］ 董聰，張傳武，高勇． 基于殘差神經(jīng)網(wǎng)絡(luò)的通信混合信號(hào)識(shí)別［Ｊ］． 無(wú)線電工程，２０２０，５０（９）：７２７－７３１．

作者簡(jiǎn)介

張 兢 女，（１９６５—），碩士，教授。主要研究方向：信號(hào)與信息處理、信號(hào)檢測(cè)與處理。

（*通信作者）蘭思源 男，（１９９６—），碩士研究生。主要研究方向：深度學(xué)習(xí)、信號(hào)調(diào)制識(shí)別。

曹 陽(yáng) 男，（１９７７—），博士，教授。主要研究方向：現(xiàn)代數(shù)字信號(hào)處理、通信信道編碼理論。

彭小峰 男，（１９８０—），碩士，副教授。主要研究方向：無(wú)線激光通信技術(shù)、嵌入式與智能系統(tǒng)、物聯(lián)網(wǎng)與無(wú)線傳感器網(wǎng)絡(luò)。

基金項(xiàng)目：重慶市教委科學(xué)技術(shù)項(xiàng)目（ＫＪＱＮ２０１９０１１２５）；重慶市基礎(chǔ)與前沿研究計(jì)劃項(xiàng)目（ｃｓｔｃ２０１９ｊｃｙｍｓｘｍＸ０２３３）