基于多通道注意力網絡的調制信號分類識別算法

摘要：傳統神經網絡在區分易混淆調制信號方面表現不足，限制了識別精度的進一步提升。為克服這一局限，文章提出了一種基于多通道注意力網絡的調制信號分類識別算法。該算法結合混合數據增強技術，提升模型的泛化能力，并設計了融合殘差網絡、LSTM 網絡和專家特征網絡的多通道架構，全面提取調制信號的關鍵特征，包括時間動態特征、空間結構特征以及易混淆信號的區分性特征。為了進一步提升分類性能，算法引入了自適應多頭注意力網絡，對提取的特征進行加權融合。實驗結果表明，該算法在調制信號分類任務中實現了高達95% 的分類準確率，顯著優于現有主流網絡模型。

關鍵詞：自動調制識別；多通道注意力網絡；混合數據增強；特征融合；殘差網絡

中圖分類號：TN911.3 文獻標識碼：A

文章編號：1009-3044（2025）06-0001-04開放科學（資源服務）標識碼（OSID）：

0引言

自動調制識別技術能夠實時識別信號的調制方式，對于提升通信效率、優化頻譜資源利用以及增強信號監測和干擾檢測能力具有重要意義[1]。傳統調制識別方法主要分為概率方法[2]和特征提取方法[3]。概率方法依賴先驗知識和概率模型進行信號識別，在理論上具有一定的最優性，但通常需要大量計算資源，限制了其實時性和實際應用范圍。而特征提取方法則通過頻譜特征[4]、高階累積量特征[5]、瞬時特征[6]及小波變換[7]等，提取信號特征以實現調制信號識別。然而，這種方法對于人工設計特征的依賴較高，特征表達能力受限，存在特征冗余等問題，難以在復雜信道環境下發揮穩定性能。

近年來，基于深度學習的調制識別技術憑借其強大的特征提取和模式學習能力，有效降低了對先驗知識和人工設計特征的依賴，成為該領域的研究熱點。文獻[8]率先將卷積神經網絡（Convolutional NeuraNetworks.CNN）引人無線電信號的調制識別，其研究表明CNN能夠顯著提高調制信號的識別精度。隨后，文獻[9]提出采用循環神經網絡（Recurrent Neural Net-work，RNN）對I0路信號中的時間依賴性信息進行建模。該模型在處理噪聲條件下的信號分類任務中表現出優異的魯棒性及識別精度，展現出與傳統卷積神經網絡相比更強的時間動態特征捕捉能力。文獻[10進一步發展了這一研究，利用長短時記憶（Long Short-Term Memory，LSTM）網絡從輸人的 AP（Ampli-tude-Phase）信號中提取時間特征，并結公隨機擦除和注意力機制，顯著提升了模型在低信噪比條件下的性能表現。

此外，針對復雜調制信號特征的空間與時間協同建模，文獻[11]將CNN與LSTM結合，提出了一種混合模型，該模型利用IQ信號與四階統計量（FOC）方法，實現了信號空間結構和時間動態特征的聯合學習，在識別性能上取得顯著突破。文獻[12]與文獻[13]進一步驗證了混合模型在自動調制識別（AMR）任務中的有效性。通過順序卷積循環神經網絡（Sequential Convolutional Recurrent Neural Networks， SCRNN）及多維CNN-LSTM網絡實現調制信號的分類，這些方法的準確率均超過90%。然而，這些網絡大多采用單通道輸入，僅聚焦于信號的特定特征維度，導致其在低信噪比環境下對易混淆信號的分類能力有限。

為進一步提升調制識別的精度與可靠性，研究者開始探索多通道輸入模型及特征融合框架。文獻[14] 提出了基于多通道時空學習框架（Multichannel Spatiotemporal Learning Framework， MCLDNN），通過引入三路IQ信號輸入通道，從多個角度提取信號的時空特征，展示了更高的收斂速度及出色的識別精度。然而，該方法缺乏有效策略來建模信號通道間的相關性，導致其對AM-DSB和WBFM調制方式的識別性能仍存在不足。文獻[15]結合聯合注意力機制與混合并行神經網絡，從不同角度動態調整特征權重，有效改善了調制分類任務中的特征提取效率及分類精度，尤其在復雜電磁環境中表現出較強的魯棒性。相較于單通道模型，多通道網絡能夠更全面地捕獲信號特征，為復雜信號的識別提供了更加可靠的解決方案。

為解決當前模型在低信噪比條件下和易混淆信號分類中的不足，本文提出了一種基于多通道注意力網絡的調制信號分類識別算法。該算法通過融合殘差網絡、LSTM網絡及專家特征網絡的多通道架構來提取信號的多維特征，同時結合混合數據增強技術與自適應多頭注意力機制，實現特征的動態加權融合，以進一步提升識別的精度與魯棒性。實驗結果表明，本文提出的算法在低信噪比環境中表現顯著優于現有主流算法，展現出在復雜電磁環境中的廣泛應用前景。

2.3 消融對比實驗

為驗證本文提出的MDA算法和自適應多頭注意力網絡（AMHA）的性能，實驗對以下組合方案進行了對比：MDA+CLF-Net+AMHA、CLF-Net+AMHA、MDA +CLF-Net、CLF-Net。最終得出了不同方法的分類識別率，結果如圖4所示。

由圖4可知，基礎的CLF-Net模型在提取信號特征方面具有一定的能力，但由于其結構相對簡單，無法充分捕捉復雜信號的細微特征，其識別準確率為88%。將注意力機制和多頭自適應機制（AMHA）引入CLF-Net中，顯著增強了模型提取重要特征的能力，使其能夠更好地處理復雜信號，識別準確率提升至90%。

當將混合數據增強算法（MDA）與CLF-Net結合時，通過數據增強生成了更為豐富的訓練樣本，使得網絡能夠提取更多的特征，識別準確率相較于CLF-Net + AMHA組合提高了2%，達到92%。最后，本文提出的綜合性網絡模型通過結合多通道神經網絡結構、自適應多頭注意力網絡以及混合數據增強算法，識別準確率最高，為94%。

2.4 不同網絡間的對比實驗

為驗證本文提出的CLF-Net在調制信號識別中的性能，與Three-Stream 網絡、P-CL、MCLDNN、CNN-LSTM、ResNet和DenseNet進行了對比實驗。信號識別準確率如圖5所示。

通過圖5 可知，本文提出的網絡模型CLF-Net的識別率最高，為95%。與其他網絡模型相比，DenseNet由于過度處理信息并引入不必要的復雜性，導致識別率較低，僅為83%。ResNet網絡模型通過更深層的網絡結構和殘差連接，能夠更有效地捕捉復雜信號特征，識別率相比DenseNet有所提高，為85%。

CNN-LSTM網絡模型結合了CNN和LSTM，用以提取信號的空間特征和時間特征，識別率達到了87%。MCLDNN網絡由于采用三輸入結構，并通過特征融合更好地捕捉信號特征，識別率較高，為90%。P-CL和Three-Stream網絡均采用與本文類似的多通道網絡形式，識別率分別為93% 和92%。

2.5 混淆矩陣分析

由圖6 可以看出，在SNR=-6 dB的條件下，ResNet 的混淆矩陣顯示出更多的誤分類情況，特別是在某些相似調制信號之間，分類邊界較為模糊。相比之下，CLF-Net和CNN-LSTM的混淆矩陣對角線相對清晰，表明它們能夠較為準確地區分各類調制信號。其中，CLF-Net 由于引入了專家特征，使得模型在分類QAM、WBFM等易混淆信號時更加精準，信號的識別準確率更高。

3 結論

針對調制信號特征表達不足及傳統神經網絡對易混淆信號分類效果不佳的問題，本文提出了一種基于多通道注意力網絡的調制信號分類算法。本算法通過引入時間平移、噪聲添加和幅度縮放數據增強技術，增強了數據集的多樣性，有效解決了調制信號特征表達不足的問題。同時，設計了多通道網絡結構，以優化對信號之間易混淆特性的特征提取過程，解決了傳統神經網絡對易混淆信號分類效果不佳的問題。

為了應對信號樣本增加引發的特征提取膨脹問題，本文提出了自適應多頭注意力網絡，通過自適應機制優化特征提取和處理，確保了模型的高效性和準確性。實驗結果表明，本算法在分類性能上表現優異，顯著提升了調制信號分類的準確度和魯棒性。

未來的研究將致力于降低算法復雜度，同時保持甚至進一步提升調制信號識別的準確率。