Deep Neural Network Architectures for Modulation Classification解读

摘要：在这项工作中，探讨了深度学习在无线信号调制识别任务中的应用价值。最近在[1]中，引入了一个框架，通过使用GNU无线电生成一个数据集，该数据集模拟真实无线信道中的缺陷，并使用10种不同的调制类型。此外，还开发了一种卷积神经网络（CNN）体系结构，其性能优于基于专家特征的方法。在这里，遵循[1]的框架，找到比现有技术更精确的深层神经网络结构。测试了[1]的体系结构，发现它可以达到大约75%的正确识别调制类型的精度。首先优化了[1]的CNN结构，并找到了一种具有四个卷积层和两个稠密层的设计，在高信噪比下，其精度约为83.8%。然后，基于最近引入的残差网络（ResNet[2]）和稠密连接网络（DenseNet[3]）的思想开发体系结构，以分别获得大约83.5%和86.6%的高信噪比精度。最后，引入了一个卷积的长-短期深神经网络（CLDNN[4]），在高信噪比下可以达到大约88.5%的精度。

一、简介

信号调制是无线通信系统中的一个重要环节。调制识别任务通常用于信号检测和解调。只有信号接收器正确解调信号，信号传输才能顺利进行。然而，随着无线通信技术的快速发展和高端化的要求，无线通信系统中使用的调制方法和参数也在迅速增加。因此，如何准确识别调制方法的问题变得更具挑战性。

传统的调制识别方法通常需要信号和信道参数的先验知识，在温和的情况下可能不准确，需要通过单独的控制信道进行传输。因此，在无线系统中，随着环境的变化，调制方式会频繁变化，因此需要对调制方式进行自主识别。这就需要考虑使用深层神经网络的新调制识别方法。

近年来，深度神经网络（DNN）在视频、语音和图像处理等领域发挥了重要作用。最近，通过将卷积神经网络（CNN）应用于无线电调制识别任务，将深度学习的思想引入通信领域[1]。

卷积神经网络（CNN）最近被认为是图像分类和语音信号处理的有力工具。在自然语言处理和视频检测等其他领域也有成功的尝试。基于CNN在特征提取方面的卓越性能，文[1]中引入了一种简单的CNN结构来区分10种不同的调制方式。仿真结果表明，与目前基于专家的方法相比，CNN不仅具有更好的精度，而且具有更大的灵活性[1]。然而，CNN面临着诸如梯度消失或爆炸、达到一定网络深度后精度下降等问题。已经尝试解决上述问题。最值得注意的是，最近引入了残差网络（ResNet）[2]和稠密连接网络（DenseNet）[3]，通过在网络的不同层之间创建快捷路径来加强特征在神经网络中的传播。这个模块用残差学习可以容易的去得到最优的结果。通过添加旁路连接，建立身份映射，允许深层网络学习一些简单的函数，这些函数需要一个较浅的网络来学习。

最近，文献[1]提出了一种卷积长短期深度神经网络（CLDNN），它利用CNN、LTSM和DNN的互补性，将CNN和LSTM的结构结合再一个深度神经网络[4]。LSTM单元是递归神经网络（RNN）的存储单元。RNN是一种具