Automatic Modulation Classification UsingConvolutional Neural Network 解读（基于SPWVD和BJD特征融合的卷积神经网络调制自动）

摘要：自动调制分类（AMC）在频谱监测和认知无线电中越来越重要。然而，现有的调制分类算法大多忽略了不同特征之间的互补性和特征融合的重要性。为了弥补这些缺陷，该文提出了一种基于卷积神经网络（CNN）的AMC特征融合方案。该方法试图融合不同的图像和信号的手工特征，以获得更具辨别力的特征。首先，提取了8个手工特征和不同的图像特征。后者通过平滑伪平滑伪wigner-ville分布和Born-Jordan分布将信号转换为两种时频图像，并利用一个微调的CNN模型提取图像特征。其次，将图像特征和手工特征相结合，形成关节特征，并采用多模态融合模型对关节特征进行融合，以进一步改进关节特征。最后，仿真结果显示了该方案优越的性能。值得一提的是，在信噪比一定的情况下，分类精度可达92.5%−4分贝。

关键词：自动调制分类、时频分布、卷积神经网络、多模态融合。

1.引言

自动调制分类（AMC）是指自动识别接收信号的调制等级，这是频谱管理、干扰识别、电子战等各种应用中的一项重要技术。最近，随着无线通信的显著发展，信号的调制类型日趋复杂和多样化，无线电环境日益恶劣。这些因素使得AMC变得比以往任何时候都更加困难，吸引了更多的关注。因此，探索更有效的AMC方法至关重要。

一般来说，AMC方法可以大致分为两类：基于似然（LB）的方法和基于特征（FB）的方法。前者在理论上可以通过比较不同调制信号的似然函数来获得最佳结果，从而最大限度地提高分类精度。似然函数主要分为三类：混合似然比检验、平均似然比检验和广义似然比检验。然而，当存在更多的未知参数时，分类精度会严重下降，当存在更多的调制信号类型时，LB方法的计算复杂度会很高。相比之下，后者通常在特征设计合理时产生次优解决方案，在AMC领域吸引了大量关注，因为它们识别更多类型的调制信号，并以较低的计算复杂度实现。FB分类系统通常由两个主要部分组成：特征提取和识别子系统。因此，一个或多个精心设计的特性能够显著提高性能。多年来，人们研究了各种特征，如高阶累积量、信号瞬时特征、循环平稳特征、时频分析、。本文采用基于瞬时特征和高阶累积量的特征作为手工特征。

随着人工智能的重大成就，深度学习（DL）以其优异的数据处理能力引起了广泛关注，并在各个领域得到了广泛应用。最近，许多研究人员应用DL来解决AMC问题。AMC领域的先驱之一是O'Shea等人，他证明了基于基带IQ数据训练的卷积神经网络（CNN）的性能超过了基于循环矩特征的专家方法。Mendis等人[18]提出了基于DL的AMC方法，该方法通过谱相关函数（SCF）将信号转换为图像，然后通过深度置信网络从接收信号的SCF图像中提取复特征。然而，它们忽略了其他有效提高分类性能的辅助特征。张等利用CNN的自适应结构从调制信号的ChoiWilliams分布( CWD )中提取特征。然而，他们只考虑了一种时频分布，而忽略了与其他分布相结合来进一步提高性能。类似地，Peng等人研究了一种高效的AMC系统，该系统利用CNN从数字通信信号的星座图中学习特征。然而，该方法在低信噪比环境下性能下降。

上述工作的一个共同局限是它们忽略了不同特征之间的互补性。为了解决这个问题，首次在AMC领域提出了一种多模态融合（MMF）模型，该模型试图集成不同的模态特征，以进一步提高性能。

如上所述，提出了一种利用CNN将特征融合到AMC的新方案。它主要包括三个部分：时频处理、特征提取和特征融合。第一部分利用光滑伪维格纳维尔分布（SPWVD）和玻恩-乔丹分布（BJD）将