基于深度學(xué)習(xí)的無(wú)線通信信號(hào)檢測(cè)與識(shí)別研究

梁 晶, 楊晶晶?, 黃 銘

(1.云南大學(xué) 信息學(xué)院, 云南 昆明 650091;2.云南大學(xué)無(wú)線創(chuàng)新實(shí)驗(yàn)室, 云南 昆明 650091)

0 引言

隨著無(wú)線通信的發(fā)展,電磁空間中海量的不同通信體制無(wú)線電設(shè)備潛在的相互干擾一直是無(wú)線電監(jiān)測(cè)工作關(guān)注的熱點(diǎn)。 在無(wú)線電監(jiān)測(cè)問(wèn)題中,除需要判斷某個(gè)頻段是否有信號(hào)出現(xiàn)之外,還需要對(duì)信號(hào)進(jìn)行識(shí)別分類(lèi)。 然而傳統(tǒng)上,基于無(wú)線通信信號(hào)檢測(cè)與識(shí)別的方法都是單獨(dú)進(jìn)行的,例如,Digham等[1]提出了有關(guān)能量檢測(cè)(Energy Detection,ED)的方法。 Yang 等[2]提出了有關(guān)循環(huán)平穩(wěn)特征檢測(cè)的方法。 Zhang 等[3]提出了基于匹配濾波器的檢測(cè)方法。 Liu 等[4]提出了有關(guān)最大特征值的檢測(cè)方法。Zheng 等[5]研究了基于深度學(xué)習(xí)(Deep Learning,DL)分類(lèi)的認(rèn)知無(wú)線電檢測(cè)方法,考慮到了噪聲不確定性的影響。 Awe 等[6]和Bao 等[7]提出了基于支持向量機(jī)(Support Vector Machine,SVM)的檢測(cè)方法,SVM 將采樣到的能量信號(hào)作為訓(xùn)練集與測(cè)試集,能夠?qū)π盘?hào)與噪聲進(jìn)行分類(lèi)識(shí)別。 但是該方法需求解特征參數(shù)并且存在感知時(shí)間長(zhǎng)的缺點(diǎn)。 Gao等[8]提出了一種基于卷積長(zhǎng)短期深度神經(jīng)網(wǎng)絡(luò)(Convolutional Long Short-Term Deep Neural Network,CLDNN)的DL 檢測(cè)器,適用于任意類(lèi)型的初級(jí)信號(hào)。 Liu 等[9]探索了基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)協(xié)方差矩陣的檢測(cè)方法,可以方便地設(shè)置期望的虛警概率。 Xie 等[10]提出了使用雙CNN 結(jié)構(gòu)來(lái)從當(dāng)前和歷史感測(cè)數(shù)據(jù)構(gòu)建的一系列協(xié)方差矩陣中同時(shí)學(xué)習(xí)能量相關(guān)特征和用戶(hù)活動(dòng)模式,以進(jìn)一步提升檢測(cè)性能。 而在文獻(xiàn)[10]的基礎(chǔ)上,Xie 等[11]繼續(xù)提出了一種基于DL 的CNN-LSTM 感知檢測(cè)器。 Ni 等[12]提出了一種基于時(shí)間卷積網(wǎng)絡(luò)(Temporal Convolutional Network,TCN)的檢測(cè)方法,該方法通過(guò)離線訓(xùn)練和在線檢測(cè)階段提取離散時(shí)間信號(hào)中的隱藏關(guān)系,消除噪聲不確定性的影響,以提高檢測(cè)概率和降低計(jì)算復(fù)雜度。而Liu 等[13]為自動(dòng)調(diào)制分類(lèi)(Automatic Modulation Classification,AMC)提出了一種簡(jiǎn)單的CNN 的識(shí)別方法,并探索了所提出結(jié)構(gòu)的最佳深度。 侯濤等[14]研究了一種基于深度神經(jīng)網(wǎng)絡(luò)通信信號(hào)調(diào)制識(shí)別模型。 任進(jìn)等[15]研究了基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的衛(wèi)星調(diào)制信號(hào)識(shí)別算法。O’Shea 等[16]研究了基于時(shí)域同相和正交(IQ)數(shù)據(jù)訓(xùn)練的CNN。 Wang 等[17]研究了一種數(shù)據(jù)驅(qū)動(dòng)的融合方法,使用2 個(gè)CNN 的組合在不同數(shù)據(jù)集上訓(xùn)練來(lái)獲得更好的分類(lèi)精度。 Ramjee 等[18]研究了3 種基于不同神經(jīng)網(wǎng)絡(luò)的AMC 高精度模型,包括CLDNN、長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)和深度殘差網(wǎng)絡(luò)(ResNet)。 Zhang等[19]研究了一種基于CNN 的AMC 數(shù)據(jù)預(yù)處理方法,一定程度上解決了直接使用采集到的信號(hào)樣本作為CNN 模型的輸入帶來(lái)的弊端。 Liao 等[20]研究了一種用于快速AMC 的序列卷積遞歸神經(jīng)網(wǎng)絡(luò),結(jié)合了CNN 的并行計(jì)算能力和RNN 的時(shí)間敏感性,顯著提高了收斂速度。

從以上文獻(xiàn)可以看出,研究者們對(duì)無(wú)線頻譜監(jiān)測(cè)系統(tǒng)中信號(hào)檢測(cè)和信號(hào)識(shí)別方面的問(wèn)題都是分開(kāi)研究的,并沒(méi)有考慮到將信號(hào)檢測(cè)和識(shí)別相結(jié)合起來(lái)用于獲取無(wú)線電監(jiān)管知識(shí)[21]。 基于此,本文分別將卷積注意力模塊(Convolution Block Attention Module,CBAM)[22-23]與LSTM 網(wǎng)絡(luò)和TCN 結(jié)合起來(lái)通過(guò)二分類(lèi)實(shí)現(xiàn)信號(hào)檢測(cè),以及基于多分類(lèi)實(shí)現(xiàn)信號(hào)識(shí)別的集成方法。 仿真實(shí)驗(yàn)的結(jié)果充分驗(yàn)證了算法模型的可行性和有效性。

1 信號(hào)模型

在無(wú)線頻譜監(jiān)測(cè)系統(tǒng)中,信號(hào)模型如下:

式中,xi(n)為用戶(hù)發(fā)射的信號(hào);y(n)為接收到的信號(hào);hi(n)為信道的狀態(tài)信息;M為信號(hào)中存在的未知信號(hào)個(gè)數(shù);v(n)為信道干擾,通常建模為零均值的加性高斯白噪聲。 從分類(lèi)的角度可將H0和H1假設(shè)表示為二分類(lèi)問(wèn)題:H0只有噪聲,H1有未知信號(hào)和噪聲。

圖1 信號(hào)模型結(jié)構(gòu)Fig.1 Signal model structure

信號(hào)檢測(cè)與識(shí)別的算法如表1 所示。 本文分別將CBAM[22-23]與LSTM 和TCN 結(jié)合起來(lái)通過(guò)二分類(lèi)實(shí)現(xiàn)信號(hào)檢測(cè)(簡(jiǎn)稱(chēng)CBAMLSTM 和CBAMTCN),基于多分類(lèi)實(shí)現(xiàn)信號(hào)識(shí)別的集成方法。

表1 信號(hào)檢測(cè)與識(shí)別的算法Tab.1 Algorithms for signal detection and recognition

該方法的2 階段如下:在信號(hào)檢測(cè)階段中,CBAMLSTM 和CBAMTCN 檢測(cè)器被用于通過(guò)用2 類(lèi)訓(xùn)練來(lái)決定信號(hào)是否存在,第一類(lèi)包括未知信號(hào)和噪聲,第二類(lèi)僅包括噪聲。 為了簡(jiǎn)化表示,將y (n)的離散時(shí)間采樣中生成的信號(hào)樣本表示為:

式中,N為采樣總數(shù);yn為Y 的第n個(gè)采樣點(diǎn)。 由于采用的信號(hào)樣本是I/Q 樣本,所以每個(gè)采樣點(diǎn)可以表示為:

式中,T 表示轉(zhuǎn)置;In及Qn分別為采樣點(diǎn)yn的實(shí)值和虛值。 將In和Qn設(shè)置為一個(gè)像素點(diǎn)上的2 個(gè)通道中的值,組成大小為N×2 的Y0,并將Y0作為正樣本,噪聲作為負(fù)樣本,組成Y1用作檢測(cè)器的輸入,并進(jìn)一步通過(guò)DL 的感知框架,做出關(guān)于信號(hào)是否存在于頻段中的決定。 而相比于ED 方法,這種基于DL 的信號(hào)檢測(cè)方法,是利用調(diào)制信號(hào)的底層結(jié)構(gòu)信息,不需要關(guān)于信道狀態(tài)信息或背景噪聲的先驗(yàn)知識(shí),減少了許多復(fù)雜的計(jì)算度[8]。

一般來(lái)說(shuō),分類(lèi)算法Ddl可以表示為[9]:

式中,Yd為分類(lèi)器的輸入,通過(guò)由L層組成的自定義神經(jīng)網(wǎng)絡(luò)進(jìn)行處理;fi,i=1,2,…,L-1,表示第i層權(quán)值和激活函數(shù)的計(jì)算,fL是Softmax 函數(shù)給出2 個(gè)假設(shè)H1和H0的概率;argmax 是返回列表中最大數(shù)字的索引的操作符。

在信號(hào)檢測(cè)階段中,針對(duì)DL 檢測(cè)器,設(shè)計(jì)了一種定制化的兩段訓(xùn)練策略。 在第一段,當(dāng)驗(yàn)證集損失在連續(xù)6 次訓(xùn)練周期中都沒(méi)有得到降低時(shí),停止模型訓(xùn)練,以防止模型過(guò)擬合。 第二段用觀察到的指標(biāo)來(lái)權(quán)衡特性,即驗(yàn)證損失和精度均保持穩(wěn)定,而不同信噪比下的虛警概率(Pf)和檢測(cè)概率(Pd)則隨訓(xùn)練次數(shù)的變化而變化。 因此,設(shè)計(jì)了一個(gè)Pf停止時(shí)間間隔,首先從第一段的最佳模型繼續(xù),當(dāng)Pf落入最佳模型時(shí)停止訓(xùn)練。 DL 方法的一個(gè)缺點(diǎn)是缺乏精確的性能控制,采用兩段訓(xùn)練策略,通過(guò)調(diào)整預(yù)設(shè)的停止時(shí)間間隔可以在一定程度上控制檢測(cè)性能。 利用區(qū)間大小參數(shù)實(shí)現(xiàn)控制精度與訓(xùn)練時(shí)間的平衡。

本文認(rèn)為，把人工智能的技術(shù)水平分為四個(gè)等級(jí)，比三個(gè)等級(jí)能更清楚地反映其可能導(dǎo)致的社會(huì)效應(yīng)，因?yàn)橹屑?jí)和高級(jí)的差別是很大的。

而在調(diào)制識(shí)別階段中,利用CBAMLSTM 和CBAMTCN 識(shí)別分類(lèi)器激活該階段。 在文獻(xiàn)[19]的啟發(fā)下,為進(jìn)一步提取信號(hào)特征,首先將式(3)中In和Qn設(shè)置為一個(gè)像素點(diǎn)上的2 個(gè)通道中的值,然后換算出該采樣點(diǎn)的幅度值和相位值Pn= arctan(In/Qn),同樣設(shè)置為另一個(gè)像素點(diǎn)上2 個(gè)通道的值與In及Qn合并,使每個(gè)采樣點(diǎn)變換為一個(gè)矩陣,組成大小為N×4 的Y2,用作識(shí)別分類(lèi)器的輸入,并進(jìn)一步通過(guò)所采用的網(wǎng)絡(luò)模型來(lái)識(shí)別信號(hào)。

2 算法模型

2.1 CBAMLSTM 算法模型

CBAMLSTM 算法模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。該CBAMLSTM 的網(wǎng)絡(luò)基線模型是由4 個(gè)卷積層、2 個(gè)全連接層、2 個(gè)128 單元的LSTM 層和CBAM 層組成的網(wǎng)絡(luò)。 其中CBAM 是由通道(Channel)注意力機(jī)制和空間(Spatial)注意力機(jī)制組成,是為了提高模型的表征能力,有效減少無(wú)效目標(biāo)的干擾,提升對(duì)關(guān)注目標(biāo)的檢測(cè)識(shí)別效果,進(jìn)而提高模型的整體性能。

圖2 CBAMLSTM 的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of CBAMLSTM

CBAMLSTM 算法模型的總體流程如下。 首先Y1作為檢測(cè)器的輸入,通過(guò)該基線模型網(wǎng)絡(luò)的卷積層、LSTM 層、CBAM 層和全連接層等來(lái)判斷信號(hào)存在(H1)和信號(hào)不存在(H0),當(dāng)返回H1時(shí)Y2作為識(shí)別器的輸入進(jìn)一步通過(guò)該基線模型網(wǎng)絡(luò)識(shí)別該信號(hào)的類(lèi)型。 此外,識(shí)別信號(hào)的類(lèi)型時(shí),直接通過(guò)輸出層返回結(jié)果,不需要進(jìn)入判斷層。 第一個(gè)全連接層表示一個(gè)64 類(lèi)神經(jīng)元,另一個(gè)全連接層表示在檢測(cè)方案時(shí)Y1作為檢測(cè)器的輸入判斷信號(hào)有無(wú)的2 類(lèi)神經(jīng)元和在調(diào)制識(shí)別方案時(shí)Y2作為識(shí)別器的輸入的11類(lèi)神經(jīng)元。 2 個(gè)LSTM 層都返回完整的序列,激活函數(shù)ReLU 應(yīng)用于卷積層。 最后的全連接層利用Softmax 函數(shù)來(lái)實(shí)現(xiàn)信號(hào)檢測(cè)和調(diào)制識(shí)別分類(lèi)。 每個(gè)隱藏層利用30%的下降來(lái)減少過(guò)擬合。 損失函數(shù)采用分類(lèi)交叉熵,可表示為:

式中,yi以一次性編碼的形式表示基本事實(shí);表示預(yù)測(cè);N為訓(xùn)練批次大小。 根據(jù)其計(jì)算效率,使用了學(xué)習(xí)率為0.001 的Adam 優(yōu)化。

2.2 CBAMTCN 算法模型

CBAMTCN 算法模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。CBAMTCN 網(wǎng)絡(luò)基線模型是由4 個(gè)卷積層、2 個(gè)全連接層、TCN 層和CBAM 層組成的網(wǎng)絡(luò)。 該模型中使用的CBAM 網(wǎng)絡(luò)結(jié)構(gòu)與CBAMLSTM 算法模型中使用的CBAM 網(wǎng)絡(luò)結(jié)構(gòu)是一樣的。

圖3 CBAMTCN 的網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of CBAMTCN

CBAMTCN 算法模型的總體流程如下。 首先,Y1作為檢測(cè)器的輸入,通過(guò)該基線模型網(wǎng)絡(luò)的卷積層、TCN 層、CBAM 層和全連接層等來(lái)判斷信號(hào)存在(H1)和信號(hào)不存在(H0),當(dāng)返回H1時(shí)Y2作為識(shí)別器的輸入進(jìn)一步通過(guò)該基線模型網(wǎng)絡(luò)識(shí)別該信號(hào)的類(lèi)型。 此外,識(shí)別信號(hào)的類(lèi)型時(shí),直接通過(guò)輸出層返回結(jié)果,不需要進(jìn)入判斷層。 第一個(gè)全連接層表示一個(gè)64 類(lèi)神經(jīng)元,另一個(gè)全連接層表示在檢測(cè)方案時(shí)Y1作為檢測(cè)器的輸入判斷信號(hào)有無(wú)的2 類(lèi)神經(jīng)元和在調(diào)制識(shí)別方案時(shí)Y2作為識(shí)別分類(lèi)器的輸入的11 類(lèi)神經(jīng)元。 激活函數(shù)ReLU 應(yīng)用于卷積層和TCN層。 最后的全連接層利用Softmax 函數(shù)來(lái)實(shí)現(xiàn)信號(hào)檢測(cè)和調(diào)制識(shí)別分類(lèi)。 每個(gè)隱藏層利用30%的下降來(lái)減少過(guò)擬合。 損失函數(shù)也采用分類(lèi)交叉熵,與式(8)表示一樣,同樣使用了學(xué)習(xí)率為0.001 的Adam 優(yōu)化器。

3 實(shí)驗(yàn)結(jié)果與討論

3.1 數(shù)據(jù)集

使用GNU Radio 生成的典型調(diào)制數(shù)據(jù)集RadioML2016.10a[24]用作基準(zhǔn)數(shù)據(jù)集,用于訓(xùn)練和評(píng)估所提結(jié)構(gòu)在信號(hào)檢測(cè)和識(shí)別分類(lèi)方面的性能。 該數(shù)據(jù)集中包含11 類(lèi)調(diào)制信號(hào),每類(lèi)包含20 000 個(gè)信號(hào)樣本,每個(gè)樣本包括128 個(gè)I/Q 樣本點(diǎn),SNR=-20 ∶2 ∶18 dB 共20 個(gè),總共220 000 個(gè)樣本。 文中的數(shù)據(jù)集和源碼地址為https:∥github. com/Win-LabYunnanUniversity/CBAMLSTM-and-CBAMTCN。

在信號(hào)檢測(cè)階段,判斷信號(hào)的有無(wú)時(shí),由于傳統(tǒng)的ED 方法在低信噪比下的檢測(cè)性能極其差,如信噪比為-20 dB 時(shí),ED 發(fā)現(xiàn)不了信號(hào),而基于DL 的檢測(cè)方法擁有良好的檢測(cè)性能。 因此將數(shù)據(jù)集在SNR=-18 ∶2 ∶18 dB 共209 000 個(gè)樣本作為正樣本,提取數(shù)據(jù)集中SNR=-20 dB 的樣本作為噪聲負(fù)樣本,共418 000 個(gè)樣本作為輸入,使用3 ∶1 ∶1 的分割比例,分別是250 800 個(gè)樣本用于訓(xùn)練、83 600 個(gè)樣本驗(yàn)證和83 600 個(gè)樣本測(cè)試。 參數(shù)如表2 所示。

表2 信號(hào)檢測(cè)部分的數(shù)據(jù)集參數(shù)Tab.2 Dataset parameters of signal detection part

在調(diào)制信號(hào)識(shí)別分類(lèi)階段,將整個(gè)數(shù)據(jù)集RadioML2016.10a 中總共220 000 個(gè)樣本劃分成2 部分,70%共154 000 個(gè)樣本用于訓(xùn)練,30%共66 000 個(gè)樣本用于識(shí)別分類(lèi)模型的測(cè)試。

3.2 實(shí)驗(yàn)結(jié)果比較

信噪比和檢測(cè)概率如圖4 所示。 可以看出,在低信噪比下CBAMLSTM 模型和CBAMTCN 模型的檢測(cè)性能相比于DNN[8],CNN[9],LSTM[11]和TCN[12]有所改善,提高了1%~10%,其中CBAMLSTM 模型的虛警概率(0. 16%)比DNN(1. 95%)低1.79%、比CNN(1.19%)低1.03%、比LSTM(1.46%) 低1.3%、比TCN(1.28%)低1.12%;CBAMTCN 模型的虛警概率(0.22%)比DNN(1.95%)低1.73%、比CNN(1.19%)低0.97%、比LSTM(1.46%)低1.24%、比TCN(1.28%)低1.06%。 此外,還可以看出,CBAMLSTM 和CBAMTCN 與ED[1]通過(guò)理論公式虛警概率Pf=Q((λ-Nσn2)/)計(jì)算出檢測(cè)閾值λ,然后根據(jù)λ計(jì)算檢測(cè)概率的檢測(cè)性能趨勢(shì)是一樣的,都是隨著信噪比的增大,檢測(cè)概率相應(yīng)地增大,進(jìn)而驗(yàn)證了該方法的合理性。在樣本數(shù)量N都為128 時(shí),其方法在低信噪比的檢測(cè)性能都比傳統(tǒng)的ED 方法更好,而在高信噪比下的檢測(cè)性能沒(méi)能達(dá)到1,是由于數(shù)據(jù)集的限制,其噪聲樣本是通過(guò)提取數(shù)據(jù)集中信噪比為-20 dB 的信號(hào)作為噪聲負(fù)樣本,不是以高斯白噪聲作為噪聲負(fù)樣本造成的。

圖4 信噪比和檢測(cè)概率Fig.4 Signal-to-noise ratio and detection probability

不同模型的識(shí)別精度如圖5 所示。 圖5(a)所示,是多分類(lèi)實(shí)現(xiàn)信號(hào)識(shí)別的結(jié)果,可以看出在高信噪比下所采用的CBAMLSTM 模型和CBAMTCN 模型相比于不加CBAM 的TCN[12],CNN[13]和LSTM[20]基線模型的識(shí)別準(zhǔn)確度提高5% ~ 9%,分別有著92.1%和92.7%的顯著識(shí)別準(zhǔn)確度。 圖5(b)顯示了CBAMLSTM 模型和CBAMTCN 模型與其他3 種模型在所有信噪比下的平均識(shí)別準(zhǔn)確率。 可以看出CBAMLSTM 和CBAMTCN 分別比CNN 平均識(shí)別準(zhǔn)確率高出0. 068 和0. 076,比TCN 平均識(shí)別準(zhǔn)確率高出0.034 和0.042,比LSTM 的平均識(shí)別準(zhǔn)確率分高出0.041 和0.048。

圖5 不同模型的識(shí)別精度Fig.5 Recognition accuracy of different models

由圖4 和圖5 可以看出, 在低信噪比下CBAMLSTM 和CBAMTCN 的檢測(cè)性能相差不大,但CBAMLSTM 的虛警概率(0.16%)比CBAMTCN 的虛警概率(0.22%) 低 0.06%; 在高信噪比下CBAMLSTM 的識(shí)別準(zhǔn)確率(92.1%)比CBAMTCN的識(shí)別準(zhǔn)確率(92.7%)低0.06%,CBAMLSTM 的平均識(shí)別準(zhǔn)確率(0.619 22)比CBAMTCN 的平均識(shí)別準(zhǔn)確率(0.626 47)低0.007 25。

為了進(jìn)一步分析CBAMLSTM 模型CBAMTCN模型識(shí)別分類(lèi)的性能,圖6 呈現(xiàn)了CBAMLSTM 模型和CBAMTCN 模型與其他3 種網(wǎng)絡(luò)模型的混淆矩陣圖。 關(guān)于圖中描繪的混淆圖,行對(duì)應(yīng)于真實(shí)的調(diào)制,而列對(duì)應(yīng)于預(yù)測(cè)的調(diào)制。 對(duì)角線單元格對(duì)應(yīng)于正確分類(lèi)的觀察值,非對(duì)角線單元對(duì)應(yīng)于錯(cuò)誤分類(lèi)的觀察值。 因此, 由圖的對(duì)角線單元格可以看出,CBAMLSTM 模型和CBAMTCN 模型對(duì)每類(lèi)信號(hào)的識(shí)別精度都比其他3 種網(wǎng)絡(luò)模型的高。

由圖6 也可以看出,除了矩陣中清晰的對(duì)角線之外,還有2 個(gè)主要差異:一是WBFM 被誤分類(lèi)為AM-DSB;二是QAM16 被誤分類(lèi)為QAM64。 這種差異可能是因?yàn)樗鼈冃盘?hào)特征的相似性使得這種區(qū)分容易受到信號(hào)中小噪聲的影響。 因此可以預(yù)想,調(diào)制識(shí)別的未來(lái)發(fā)展應(yīng)該集中減少這2 方面的差異。

圖6 不同模型的混淆矩陣Fig.6 Confusion matrix of different models

4 結(jié)束語(yǔ)

考慮到無(wú)線頻譜監(jiān)測(cè)系統(tǒng)中可以將信號(hào)檢測(cè)和識(shí)別結(jié)合起來(lái)用于獲取無(wú)線電監(jiān)管知識(shí),提出了分別將CBAM 與LSTM 網(wǎng)絡(luò)和TCN 結(jié)合起來(lái)通過(guò)二分類(lèi)實(shí)現(xiàn)信號(hào)檢測(cè),以及基于多分類(lèi)實(shí)現(xiàn)信號(hào)識(shí)別的級(jí)聯(lián)方法。 結(jié)果表明,二分類(lèi)模型在低信噪比下的檢測(cè)性能有所改善;多分類(lèi)模型相比于不加CBAM 的LSTM,TCN 和CNN 基線模型,實(shí)現(xiàn)了在高信噪比下的高效識(shí)別,同時(shí)這一DL 算法是利用調(diào)制信號(hào)的底層結(jié)構(gòu)信息,無(wú)需人工提取特征,可以快速適應(yīng)未知信號(hào)。 下一步將研究不同網(wǎng)絡(luò)模型在真實(shí)場(chǎng)景中的實(shí)踐。