最新資訊

一種基于DRSN-GAN的通信信號(hào)調(diào)制識(shí)別方法

針對(duì)在小樣本和低信噪比條件下通信信號(hào)調(diào)制識(shí)別率低的問(wèn)題，提出了一種基于深度殘差收縮生成對(duì)抗網(wǎng)絡(luò)（Deep Residual Shrinkage Network and Generative Adversarial Network, DRSN-GAN）的深度學(xué)習(xí)框架。首先，將信號(hào)的同相正交數(shù)據(jù)(I/Q data)作為模型輸入，通過(guò)生成器生成的數(shù)據(jù)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，有效解決了高質(zhì)量數(shù)據(jù)稀缺的問(wèn)題，增強(qiáng)了模型的泛化能力。利用DRSN組成判別器，將經(jīng)過(guò)擴(kuò)充的數(shù)據(jù)送入DRSN進(jìn)行訓(xùn)練。同時(shí)，對(duì)輸入數(shù)據(jù)在空間維度上執(zhí)行全局平均池化，利用通道注意力模塊提取I/Q信號(hào)的上下文特征，有效減少了噪聲干擾。該方法解決了因固定閾值很難適用于所有樣本而導(dǎo)致的識(shí)別準(zhǔn)確率低的問(wèn)題，并在低信噪比環(huán)境下顯著提高了識(shí)別效果。實(shí)驗(yàn)結(jié)果表明，所提出的模型在信噪比為0 dB時(shí)準(zhǔn)確率達(dá)92%，對(duì)比其他模型，整體分類精度提升了3%，且在小樣本和低信噪比條件下表現(xiàn)出更強(qiáng)的魯棒性。

發(fā)表于：5/29/2025