用于自动调制识别的全密集神经网络
信号处理
2019-12-10 v1 机器学习
摘要
当前，我们主要使用各种卷积神经网络（CNN）结构从无线电数据或谱图中提取特征用于自动调制识别（AMR）。基于专家经验和谱图，它们不仅增加了预处理的难度，还消耗大量内存。为了直接使用接收机获得的同相与正交（IQ）数据，并提升网络提取特征的效率以改进调制方式的识别率，本文提出一种称为全密集神经网络（FDNN）的新网络结构。该网络使用残差块提取特征，密集连接以缩减模型尺寸，并加入注意力机制进行重校准。在 RML2016.10a 上的实验表明，该网络具有更高的识别率和更低的模型复杂度。并且表明具有密集连接的 FDNN 模型不仅能有效提取特征，还可大幅减少模型参数，这为深度学习在智能无线电系统中的应用也作出了显著贡献。
引用
@article{arxiv.1912.03449,
title = {Fully Dense Neural Network for the Automatic Modulation Recognition},
author = {Miao Du and Qin Yu and Shaomin Fei and Chen Wang and Xiaofeng Gong and Ruisen Luo},
journal= {arXiv preprint arXiv:1912.03449},
year = {2019}
}