基于MDSCLDNN-HAN的調(diào)制識別算法

李天宇,侯 進(jìn),李昀喆,郝彥超

(1.西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院 智能感知智慧運(yùn)維實(shí)驗(yàn)室，四川 成都 611756；2.西南交通大學(xué) 唐山研究院，河北 唐山 063000；3.西南交通大學(xué) 綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國家工程實(shí)驗(yàn)室，四川 成都 611756)

0 引言

無線信號調(diào)制識別在各種領(lǐng)域都有著重要的應(yīng)用。在信號調(diào)制自動識別的研究中，主要有3個技術(shù)方向：一是基于決策理論的調(diào)制模式識別；二是基于統(tǒng)計機(jī)器學(xué)習(xí)理論的調(diào)制模式識別；三是基于深度學(xué)習(xí)的調(diào)制模式識別[1-3]。

隨著深度學(xué)習(xí)在各個領(lǐng)域中展現(xiàn)的突出性能，O’Shea等[4-8]首次將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)應(yīng)用于調(diào)制識別領(lǐng)域，并提出了公開調(diào)制信號數(shù)據(jù)集RadioML2016.10a。

文獻(xiàn)[9]設(shè)計了基于CNN的長短期記憶(Long Short-Term Memory,LSTM)全連接深度神經(jīng)網(wǎng)絡(luò)(Convolutional Long Short-Term Memory Fully Connected Deep Neural Networks,CLDNN)模型，文獻(xiàn)[10]設(shè)計了一種時空多通道網(wǎng)絡(luò)(Multi-Channel Convolutional Long Short-Term Memory Fully Connected Deep Neural Networks,MCLDNN)模型，文獻(xiàn)[11]提出了Dual-CNN-LSTM模型，使用信號的同相正交(In-phase Quadrature,IQ)數(shù)據(jù)和幅度相位(Amplitude Phase,AP)作為輸入。文獻(xiàn)[12-14]將信號數(shù)據(jù)進(jìn)行預(yù)處理轉(zhuǎn)化為星座圖、時頻圖等圖像數(shù)據(jù)，使用圖像分類的深度學(xué)習(xí)算法對調(diào)制信號進(jìn)行分類。以上研究，在調(diào)制信號識別精度上表現(xiàn)出較好的性能，但都存在模型參數(shù)量和復(fù)雜度過大的問題，難以在實(shí)際通信環(huán)境中應(yīng)用。

針對以上問題，設(shè)計了一種改進(jìn)的MCLDNN模型——MDSCLDNN-HAN(Multi-Channel Depthwise Separable Convolution Long Short-Term Memory Dense Neural Network with Hierarchical Attention Networks)，該模型中使用深度可分離卷積(Depthwise Separable Convolution,DSC)代替標(biāo)準(zhǔn)卷積，同時引入了分層注意力機(jī)制(Hierarchical Attention Networks,HAN)，識別精度略優(yōu)于現(xiàn)有模型，同時參數(shù)量和計算量大量減少。

1 算法建模

1.1 數(shù)據(jù)處理

本文算法模型考慮單輸入單輸出通信系統(tǒng)，使用信號的原始IQ數(shù)據(jù)和AP數(shù)據(jù)作為輸入。接收信號r(t)可表示為：

(1)

接收信號r(t)由同相分量rI和正交分量rQ組成，離散信號r[n]可以表示為：

(2)

信號的AP數(shù)據(jù)計算如下：

(3)

(4)

式中，XA[n]為信號的幅度；XP[n]為信號的相位。

1.2 MDSCLDNN-HAN模型框架

MDSCLDNN-HAN模型框架如圖1所示，分為多通道特征提取融合模塊、LSTM-HAN模塊和全連接層3個模塊，利用模塊間的互補(bǔ)性和協(xié)同性，對時域和頻域特征進(jìn)行提取融合，最后將調(diào)制信號進(jìn)行分類。

圖1 MDSCLDNN-HAN模型框架Fig.1 Framework of MDSCLDNN-HAN model

1.3 多通道特征提取融合模塊

多通道特征提取融合模塊網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，由3個一維卷積層和2個二維卷積層組成。首先，將信號IQ數(shù)據(jù)分為獨(dú)立的I通道、Q通道和I/Q通道分別輸入Conv1，Conv2和Conv3，學(xué)習(xí)信號數(shù)據(jù)的單通道和多通道特征。然后在連接層1中對單通道特征進(jìn)行融合，在連接層2中對單通道和多通道特征進(jìn)行融合提取并輸入Conv5。信號的AP數(shù)據(jù)采用與IQ數(shù)據(jù)同樣的卷積模塊進(jìn)行特征提取，在連接層5處將IQ和AP數(shù)據(jù)的特征輸出進(jìn)行融合，再通過Conv11進(jìn)行特征提取后送入下一模塊。模塊有效利用了信號的IQ數(shù)據(jù)和AP數(shù)據(jù)，同時設(shè)計使用分離通道，有效提取不同尺度下輸入的特征。

圖2 多通道特征提取融合模塊結(jié)構(gòu)Fig.2 Structure diagram of multi-channel feature extraction and fusion module

為加快網(wǎng)絡(luò)的訓(xùn)練和收斂的速度，控制梯度爆炸，防止梯度消失、過擬合，每層DSC后加入了批歸一化層(Batch Normalization,BN)，使用線性整流函數(shù)(Rectified Linear Unit,ReLU)作為激活函數(shù)。該模塊卷積層參數(shù)如表1所示。

表1 多通道特征提取融合模塊參數(shù)

DSC具有參數(shù)量少和計算量小的優(yōu)點(diǎn)，本模塊使用DSC層代替標(biāo)準(zhǔn)卷積層。

文獻(xiàn)[15]提出使用DSC層替代標(biāo)準(zhǔn)卷積層。在標(biāo)準(zhǔn)卷積層中，卷積濾波器同時學(xué)習(xí)空間和通道相關(guān)性。DSC將上述過程分解為2層。在第1層中，使用標(biāo)準(zhǔn)的深度(通道)卷積以學(xué)習(xí)空間相關(guān)性；在第2層逐點(diǎn)卷積(1×1卷積)，通過組合第1層的輸出來學(xué)習(xí)通道相關(guān)性。標(biāo)準(zhǔn)卷積層和DSC層濾波器如圖3所示。

(a) 標(biāo)準(zhǔn)卷積濾波器

(b) 深度可分離卷積濾波器

(c) 逐點(diǎn)卷積圖3 標(biāo)準(zhǔn)卷積層和DSC層濾波器Fig.3 Schematic diagram of standard convolution and depthwise separable convolution filters

標(biāo)準(zhǔn)卷積層和DSC層參數(shù)量為：

P=(DK×DK×M)×N，

(5)

P=(DK×DK×M)+M×N,

(6)

式中，P為參數(shù)量；DK為輸出特征圖的大??；M為輸入通道的大??；N為輸出通道的大小。

標(biāo)準(zhǔn)卷積與DSC的參數(shù)量之比為：

(7)

可以看出，DSC層的參數(shù)量較標(biāo)準(zhǔn)卷積減少許多。

1.4 LSTM-HAN模塊

LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN),擅長處理具有時間序列關(guān)系的數(shù)據(jù)，可以有效提取數(shù)據(jù)中的時序特征。LSTM的計算如下：

it=σ(Wxtxt+Whiht-1+bi),

(8)

ft=σ(Wxfxt+Whfht-1+bf),

(9)

ot=σ(Wxoxt+Whiht-1+bo)，

(10)

(11)

(12)

ht=ot·tanh(ct)，

(13)

式中，it，ot，ft分別為輸入門、輸出門和遺忘門當(dāng)前狀態(tài)；W為權(quán)重；b為偏差；σ為Sigmoid函數(shù)。

近年來，注意力機(jī)制廣泛應(yīng)用于自然語言處理、圖像識別和文本處理等領(lǐng)域[16]。文獻(xiàn)[17]提出了一種用于文檔分類的HAN網(wǎng)絡(luò)結(jié)構(gòu)。HAN通過在詞層級和句子層級中使用注意力機(jī)制，找到對句子特征貢獻(xiàn)最大的詞語和對整篇文本特征貢獻(xiàn)最大的句子，提取整篇文本中的高頻特征。通過加大高頻特征的權(quán)重和抑制低頻特征的權(quán)重來提高神經(jīng)網(wǎng)絡(luò)的特征提取能力。

本文所提模型中使用一層單元數(shù)為128的LSTM層，為進(jìn)一步提取信號的高頻特征，在LSTM層后加入HAN網(wǎng)絡(luò)結(jié)構(gòu)，從而提升網(wǎng)絡(luò)性能。

1.5 輸出層

本文模型中，信號數(shù)據(jù)經(jīng)過多通道特征提取融合模塊和LSTM-HAN模塊的特征輸出，輸入到一層單元數(shù)為64，使用ReLU激活函數(shù)的全連接層進(jìn)行降維得到特征節(jié)點(diǎn)，再將特征節(jié)點(diǎn)輸入到使用Softmax激活函數(shù)的全連接層進(jìn)行分類，得到調(diào)制信號最終的分類結(jié)果。

2 實(shí)驗(yàn)結(jié)果及性能分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)使用開源數(shù)據(jù)集RadioML2016.10a和RadioML2016.10b。RadioML2016.10a中共有220 000個調(diào)制信號，包含了WBFM，AM-DSB，AM-SSB，BPSK，CPFSK，GFSK，4-PAM，16-QAM，64-QAM，QPSK和8PSK等11種常見調(diào)制信號。RadioML2016.10b是RadioML2016.10a的更清晰、規(guī)范的拓展版本，每種信號數(shù)量是RadioML2016.10a的6倍，共有1 200 000個調(diào)制信號，不包含AM-SSB信號。二者中信號數(shù)據(jù)的信噪比取值在-20～18 dB，信號數(shù)據(jù)為IQ數(shù)據(jù)，數(shù)據(jù)格式為128×2的浮點(diǎn)數(shù)字。為模擬現(xiàn)實(shí)環(huán)境，信號數(shù)據(jù)在考慮了AWGN、多徑衰落、采樣率偏移和中心頻率偏移等惡劣的傳播條件下，使用GNU Radio模擬生成。2個數(shù)據(jù)集都是按照6∶2∶2的比例劃分成訓(xùn)練集、測試集和驗(yàn)證集進(jìn)行實(shí)驗(yàn)和測試。

2.2 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)使用了Python3.8編程語言和TensorFlow 2.5內(nèi)置的Keras框架搭建神經(jīng)網(wǎng)絡(luò)模型，使用NVIDA RTX 3080Ti GPU進(jìn)行訓(xùn)練和測試。軟硬件詳細(xì)信息如表2所示。

表2 實(shí)驗(yàn)軟硬件詳細(xì)信息

2.3 消融實(shí)驗(yàn)

為驗(yàn)證MDSCLDNN-HAN模型中各模塊對網(wǎng)絡(luò)模型的影響，在RadioML2016.10a數(shù)據(jù)集上，使用8種模型進(jìn)行消融實(shí)驗(yàn)。模型1～6使用IQ數(shù)據(jù)作為輸入，模型7使用AP數(shù)據(jù)作為輸入，模型8使用IQ數(shù)據(jù)和AP數(shù)據(jù)作為輸入。8種網(wǎng)絡(luò)模型識別準(zhǔn)確率、參數(shù)量和計算量如表3所示，其中計算量使用指浮點(diǎn)運(yùn)算數(shù)(Floating Point Operations,FLOPs)衡量,單位為百萬(M)。圖4展示了不同信噪比下各網(wǎng)絡(luò)模型識別準(zhǔn)確率。

表3 基于RadioML2016.10a數(shù)據(jù)集的消融實(shí)驗(yàn)

圖4 基于RadioML2016.10a的消融實(shí)驗(yàn)識別準(zhǔn)確率Fig.4 Ablation experiment recognition accuracy curve based on RadioML2016.10a dataset

模型1使用由2層卷積層構(gòu)成的CNN做基礎(chǔ)網(wǎng)絡(luò)架構(gòu)。模型2在模型1后加入LSTM層，學(xué)習(xí)信號的時域特征，識別準(zhǔn)確率較模型1提升5.2%。模型3在LSTM模塊后加入全連接層，可以將特征空間映射到更容易分類的輸出層，識別準(zhǔn)確率較模型2提高1.5%。模型4在模型3的基礎(chǔ)上增加信號的分離通道I通道和Q通道，通過學(xué)習(xí)I通道、Q通道和IQ通道的互補(bǔ)信息，識別準(zhǔn)確率較模型3提高3%。模型5加入了HAN網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步學(xué)習(xí)IQ信號數(shù)據(jù)的高頻特征，識別準(zhǔn)確率達(dá)到62.5%。由于使用了DSC，模型6識別準(zhǔn)確率較模型5下降0.6%，這是因?yàn)槭褂肈SC提取特征時，會較標(biāo)準(zhǔn)卷積層缺失部分特征，但同時模型6的參數(shù)量和計算量較模型5分別下降49%和87%。模型7網(wǎng)絡(luò)結(jié)構(gòu)與模型6一致，只是輸入數(shù)據(jù)改用AP數(shù)據(jù)，會缺失部分信號特征，故模型7識別率下降2.6%，AP數(shù)據(jù)較IQ數(shù)據(jù)會缺失部分信號特征。

模型8使用IQ和AP數(shù)據(jù)和它們的分離通道共六通道作為輸入，IQ，AP數(shù)據(jù)提取的特征節(jié)點(diǎn)通過連接融合后，通過一層卷積核數(shù)較小的DSC層進(jìn)行降維，模型8的參數(shù)量和FLOPs分別是模型5的59%和44%，識別準(zhǔn)確率達(dá)到62.9%，略優(yōu)于模型5。

2.4 對比實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證本文模型的性能，使用Radio-ML2016.10a和RadioML2016.10b數(shù)據(jù)集，選取了文獻(xiàn)[9]的CLDNN、文獻(xiàn)[10]的MCLDNN和文獻(xiàn)[11]的Dual-CNN-LSTM 4種模型進(jìn)行對比實(shí)驗(yàn)。文獻(xiàn)[9]的CLDNN模型使用3層卷積層、1層LSTM層和1層全連接層，卷積核數(shù)設(shè)置為50，卷積核大小分別為(2,7)，(1,7)和(1,7)，LSTM的單元參數(shù)設(shè)置為250，全連接層單元數(shù)設(shè)置為128。文獻(xiàn)[10]的MCLDNN模型將IQ數(shù)據(jù)分為3路輸入進(jìn)網(wǎng)絡(luò)，通過卷積層對信號特征進(jìn)行提取融合，經(jīng)過2層LSTM和2層全連接層輸入Softmax層進(jìn)行分類輸出。文獻(xiàn)[11]的Dual-CNN-LSTM模型使用了2路CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)，將信號的IQ數(shù)據(jù)和AP數(shù)據(jù)分2路輸入網(wǎng)絡(luò)。每一路CNN-LSTM網(wǎng)絡(luò)都由3層卷積層和2層LSTM層組成。卷積層卷積核數(shù)分別為256，256和80，卷積核大小為(1,3)，(2,3)和(1,3)，LSTM層的單元數(shù)分別設(shè)置為100和50，通過扁平層后，2路特征輸出在連接層融合，最后通過全連接層和Softmax層進(jìn)行分類輸出。

4種模型在RadioML2016.10a上的實(shí)驗(yàn)結(jié)果和識別曲線如表4和圖5所示。在RadioML2016.10a數(shù)據(jù)集上，文獻(xiàn)[9]模型的識別準(zhǔn)確率為58.1%,當(dāng)SNR在0 dB以上時模型的識別準(zhǔn)確率為86.3%，明顯低于其他網(wǎng)絡(luò)模型。文獻(xiàn)[10]的MCLDNN模型識別準(zhǔn)確率達(dá)到62.7%，SNR在0 dB以上識別準(zhǔn)確率達(dá)到91.4%，文獻(xiàn)[11]的Dual-CNN-LSTM模型識別準(zhǔn)確率和SNR在0 dB以上識別準(zhǔn)確率分別為62.1%和90.8%。本文模型識別準(zhǔn)確率為62.9%，SNR在0 dB以上識別準(zhǔn)確率為91.6%，2項(xiàng)識別準(zhǔn)確率略高于文獻(xiàn)[10]的62.7%和91.4%。

表4 基于RadioML2016.10a數(shù)據(jù)集的對比模型實(shí)驗(yàn)結(jié)果

圖5 RadioML2016.10a數(shù)據(jù)集上對比模型識別準(zhǔn)確率Fig.5 Comparison of model recognition accuracy curves based on RadioML2016.10a dataset

4種模型在RadioML2016.10b數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果和識別準(zhǔn)確率曲線如表5和圖6所示。在RadioML2016.10b數(shù)據(jù)集上，文獻(xiàn)[9]模型識別準(zhǔn)確率最低，只有60.9%，本文模型識別準(zhǔn)確率達(dá)到64.9%，比文獻(xiàn)[10]高0.4%，比文獻(xiàn)[11]高0.6%。SNR在0 dB以上時，本文所提模型識別準(zhǔn)確率穩(wěn)定在92%以上。

表5 基于RadioML2016.10b數(shù)據(jù)集的對比模型實(shí)驗(yàn)結(jié)果

圖6 RadioML2016.10b數(shù)據(jù)集上對比模型識別準(zhǔn)確率Fig.6 Comparison of model recognition accuracy curves based on RadioML2016.10b dataset

4種模型的參數(shù)量和計算量如表6所示。文獻(xiàn)[9]模型的參數(shù)量超過69萬，F(xiàn)LOPs為13.1 M。文獻(xiàn)[10]使用的MCLDNN模型設(shè)計了3路輸入，參數(shù)量超過40萬，F(xiàn)LOPs為35.8 M。文獻(xiàn)[11]模型使用的Dual-CNN-LSTM模型同時將信號的IQ和AP數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)模型，取得了較好的識別準(zhǔn)確率，但同時犧牲了模型的參數(shù)量和計算復(fù)雜度，模型參數(shù)量超過118萬，F(xiàn)LOPs超過285 M。本文所提模型通過使用DSC和參數(shù)優(yōu)化，使用6路輸入設(shè)計，在模型的識別準(zhǔn)確率優(yōu)于其他模型的同時，本文所提模型的參數(shù)量和FLOPs遠(yuǎn)小于文獻(xiàn)[9-11]的模型。本文所提模型的參數(shù)量為113 497，僅為文獻(xiàn)[10]的34.3%，文獻(xiàn)[11]的11.7%，模型的FLOPs為8.4 M，是文獻(xiàn)[10]的23.4%，文獻(xiàn)[11]的2.9%。

表6 對比模型參數(shù)量和計算量

在所有文獻(xiàn)提供的模型中，文獻(xiàn)[9-10]中所提供的模型結(jié)構(gòu)都存在一定缺陷和不足，文獻(xiàn)[9]中提到的CLDNN僅在原始CNN網(wǎng)絡(luò)中加入了LSTM結(jié)構(gòu)，雖然該模型有效提高對時序特征的學(xué)習(xí)，但是原始信號存在I，Q兩個通道，不同通道間的特征信息存在差異，而僅使用CLDNN模型難以對2個不同通道數(shù)據(jù)的特征各自進(jìn)行提取，因此在文獻(xiàn)[10]中設(shè)計了MCLDNN模型，針對這一問題進(jìn)行了相應(yīng)的改進(jìn)。但是文獻(xiàn)[9-10]都存在參數(shù)量較大的問題，會大大降低模型的運(yùn)行效率，在硬件設(shè)備性能較差時，模型的實(shí)時性難以得到保證。

文獻(xiàn)[11]在原始IQ數(shù)據(jù)的基礎(chǔ)上，加入AP數(shù)據(jù)用于提取新的特征，該方式雖然有效提高了信號的識別率，但是該模型也存在參數(shù)量過大等問題。因此在綜合考量各模型優(yōu)勢及缺點(diǎn)后，本文提出了一種新型的低參量模型，該模型在保持較高識別率的前提下，大大降低了模型的參數(shù)量和模型復(fù)雜度。

2.5 MDSCLDNN-HAN性能分析

MDSCLDNN-HAN模型在0 dB時，對Radio-ML2016.10a中各類信號識別準(zhǔn)確率如圖7所示。

圖7 RadioML2016.10a,SNR=0 dB,混淆矩陣Fig.7 Confusion matrix based on RadioML2016.10a dataset,where SNR=0 dB

由圖7可以看出，WBFM的識別準(zhǔn)確率最低，只有33%，其中有67%的WBFM信號被錯誤地識別成AM-DSB信號。對8PSK，AM-DSB，QAM16和QAM64四種信號識別準(zhǔn)確率均達(dá)到86%以上，對AM-SSB，BPSK，CPFSK，GFSK，PAM4和QPSK六種信號識別準(zhǔn)確率均達(dá)到94%以上。

MDSCLDNN-HAN模型在0 dB時，對Radio-ML2016.10a中各類信號識別準(zhǔn)確率如圖8所示。由圖8可以看出，當(dāng)SNR=10 dB時，本文模型在RadioML2016.10a中，對WBFM識別準(zhǔn)確率較低，少部分QAM64信號被識別成QAM16信號，除WBFM和QAM64以外的信號識別準(zhǔn)確率均超過98%。

圖8 RadioML2016.10a,SNR=10 dB,混淆矩陣Fig.8 Confusion matrix based on RadioML2016.10a dataset,where SNR=10 dB

模型對RadioML2016.10b中各類信號在SNR=0 dB時識別準(zhǔn)確率混淆矩陣如圖9所示。本文模型對WBFM的識別準(zhǔn)確率最低，只有48.6%,對8PSK，AM-DSB信號識別準(zhǔn)確率分別達(dá)到92%和86.6%，對BPSK，CPFSK，GFSK，PAM4，QPSK，QAM16和QAM64七種信號識別準(zhǔn)確率均超過96%。

模型對RadioML2016.10b中各類信號在SNR=12 dB時識別準(zhǔn)確率混淆矩陣如圖10所示。模型對除WBFM外的9種信號識別準(zhǔn)確率均超過98.5%。

圖9 RadioML2016.10b,SNR=0 dB,混淆矩陣Fig.9 Confusion matrix based on RadioML2016.10b dataset,where SNR=0 dB

圖10 RadioML2016.10b,SNR=12 dB,混淆矩陣Fig.10 Confusion matrix based on RadioML2016.10b dataset,where SNR=12 dB

在對2個數(shù)據(jù)集的實(shí)驗(yàn)中，均出現(xiàn)將大量WBFM信號錯誤地識別成AM-DSB信號，SNR在0 dB以上時，模型對除WBFM的各類信號實(shí)現(xiàn)較高的識別精度。由于AM-DSB和WBFM信號都屬于連續(xù)調(diào)制，因此它們之間的特征區(qū)別較小。此外，數(shù)據(jù)集中WBFM和AM-DSB是通過采樣模擬音頻信號生成的，數(shù)據(jù)中間存在信號的靜默期導(dǎo)致2種信號更加難以區(qū)分，即使隨著SNR的提高，WBFM的識別精度依然不能達(dá)到理想精度。如何使用深度學(xué)習(xí)的方法提高WBFM信號的識別精度，是后期需要改進(jìn)的方向。

3 結(jié)束語

針對目前基于神經(jīng)網(wǎng)絡(luò)的調(diào)制識別算法中神經(jīng)網(wǎng)絡(luò)模型復(fù)雜和計算量大等問題，設(shè)計使用IQ和AP數(shù)據(jù)的6通道神經(jīng)網(wǎng)絡(luò)模型MDSCLDNN-HAN，使用信號的IQ和AP數(shù)據(jù)和其分離通道數(shù)據(jù)，有利于獲得更有效的特征對信號進(jìn)行分類。同時，在模型中使用注意力機(jī)制提取高頻特征，使用DSC層代替普通卷積層，減少模型參數(shù)量和計算量。理論分析和實(shí)驗(yàn)結(jié)果表明，設(shè)計高效的模型結(jié)構(gòu)和使用信號不同維度的數(shù)據(jù)提取融合特征，可以有效提高模型識別精度和降低模型復(fù)雜度。