基于多功能多通道ResNet和BiLSTM神经网络的通信信号调制识别方法
1College of Information Engineering, Shanghai Maritime University, Shanghai 201306, China.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
这项研究引入了用于通信信号调制识别的新型深度神经网络,即使在信号噪声比较低的环境中也能达到高精度. 该MF-MC ResNet-BiLSTM模型显著改进了现有的方法.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 信号处理 信号处理
背景情况:
- 传统的信号调制识别方法的准确性不足.
- 深度学习为增强识别能力提供了潜力.
研究的目的:
- 提出一种新的深度神经网络,以改进通信信号调制识别.
- 为了提高识别的准确性和稳定性,特别是在低SNR条件下.
主要方法:
- 开发了一个多功能多通道ResNet和BiLSTM (MF-MC ResNet-BiLSTM) 神经网络.
- 数据被转换为IQ,AP和FT格式,用于多通道输入.
- 功能融合在一个高维空间中进行,集成ResNet-BiLSTM和自适应的多头注意力网络.
主要成果:
- 提出的方法在低SNR环境 (-22 dB-2 dB) 中实现了95.67%的识别率和94.56%的回忆率.
- 与MMF,FGDNN和LightMFFS网络相比,表现出卓越的性能.
- 展示了良好的模型概括能力和稳定性.
结论:
- MF-MC ResNet-BiLSTM 方法显著提升了通信信号调制识别.
- 这种方法在挑战低SNR环境时是有效的.
- 这种深度学习模型为信号调制识别提供了强大而准确的解决方案.
