8、基于卷积神经网络的信号调制识别混合剪枝方法

基于卷积神经网络的信号调制识别混合剪枝方法

1. 引言

自动调制识别（AMR）是无线通信中的关键技术，在信息拦截、干扰选择等众多领域广泛应用。卷积神经网络（CNN）在AMR任务中表现出色，但也存在计算复杂度高和参数量大的问题。当考虑将其部署到嵌入式或移动设备时，会受到内存使用、计算能力和能耗等诸多限制。

为解决这些问题，目前流行的方法有模型轻量化设计、模型加权、低秩分解、知识蒸馏和模型剪枝等。其中，神经网络剪枝在新兴应用中展现出实用性、有效性和高效性，它是一种后处理模型压缩方案，能在不严重影响模型性能的前提下，去除神经网络中的弱连接或贡献较小的神经元，以获得更小的模型、更快的推理速度。

剪枝可分为非结构化剪枝和结构化剪枝：
- 非结构化剪枝 ：考虑每个滤波器权重中的每个元素，删除值为0的权重参数，得到稀疏权重矩阵。它灵活性和泛化性高，通常能实现较高的压缩比，但在通用硬件上难以实现显著的性能提升。
- 结构化剪枝 ：大致分为滤波器剪枝、通道剪枝和层剪枝。由于删除了模型中某些层的整个滤波器和通道，模型结构规则，不受硬件限制，能显著减少模型参数数量并获得加速效果，但对微调模型的性能影响较大，会导致分类任务中精度的不可修复损失。

为了更好地实现以最低精度损失换取最高压缩比的目标，本文提出了一种基于结构化剪枝的混合剪枝方法，结合滤波器级和层级别剪枝方法，构建了一个简单有效的神经网络剪枝方案，并将其应用于信号调制识别分类任务。

2. 相关工作

2.1 信号调制识别

目前基于深度学习的信号调制识别主要有以下三种思