[论文解读] A Radio Signal Modulation Recognition Algorithm Based on Residual Networks and Attention Mechanisms

Ruisen Luo, Tao Hu+4 more|arXiv (Cornell University)|Sep 27, 2019

Wireless Signal Modulation Classification参考文献 10被引用 4

一句话总结

本文提出了一种基于深度学习的无线电信号调制识别算法，结合残差网络（ResNet）与自注意力机制，以提升识别准确率与训练稳定性。通过利用高斯白噪声环境下16QAM、2FSK与4FSK信号的IQ数据帧，该模型在平均识别准确率超过93%的情况下表现出优异的鲁棒性与实际应用价值，适用于实时场景。

ABSTRACT

To solve the problem of inaccurate recognition of types of communication signal modulation, a RNN neural network recognition algorithm combining residual block network with attention mechanism is proposed. In this method, 10 kinds of communication signals with Gaussian white noise are generated from standard data sets, such as MASK, MPSK, MFSK, OFDM, 16QAM, AM and FM. Based on the original RNN neural network, residual block network is added to solve the problem of gradient disappearance caused by deep network layers. Attention mechanism is added to the network to accelerate the gradient descent. In the experiment, 16QAM, 2FSK and 4FSK are used as actual samples, IQ data frames of signals are used as input, and the RNN neural network combined with residual block network and attention mechanism is trained. The final recognition results show that the average recognition rate of real-time signals is over 93%. The network has high robustness and good use value.

研究动机与目标

• 解决复杂无线电信号环境中调制类型识别不准确的挑战。
• 通过缓解极深网络架构中的梯度消失问题，提升深度神经网络的性能。
• 通过集成注意力机制，增强特征学习能力并加快训练收敛速度。
• 开发一种鲁棒、适用于实际无线通信应用的实时调制识别系统。

提出的方法

• 所提出的方法采用残差网络（ResNet）架构，以稳定深度网络的训练过程并缓解梯度消失问题。
• 引入注意力机制，动态强调IQ数据中重要的信号特征，加速梯度下降并提升特征表示能力。
• 模型在加性白高斯噪声（AWGN）环境下，基于10种标准调制类型（MASK、MPSK、MFSK、OFDM、16QAM、AM、FM）进行训练。
• 实际信号的IQ数据帧（16QAM、2FSK、4FSK）被用作端到端训练的输入。
• 网络结合循环神经网络（RNN）组件与残差模块及注意力模块，以建模信号的时序与频谱特性。
• 通过自适应学习率的反向传播算法对网络架构进行优化，实现在噪声环境下的有效特征学习。

实验结果

研究问题

• RQ1 在噪声无线电信号环境中，结合注意力机制的残差网络能否提升调制识别的准确率？
• RQ2 注意力机制的集成对深度神经网络在调制识别中的收敛速度与稳定性有何影响？
• RQ3 在加性白高斯噪声下，该模型在不同调制类型上的泛化能力如何？
• RQ4 残差模块与注意力机制的组合在实时信号识别中是否优于标准的RNN或CNN方法？

主要发现

• 所提模型在实时信号上实现了超过93%的平均识别准确率，表明其在噪声环境下的高性能表现。
• 残差模块的集成有效缓解了深层网络架构中的梯度消失问题，实现了稳定训练。
• 注意力机制显著加速了梯度下降过程，并通过聚焦于具有判别性的信号分量，提升了特征学习能力。
• 该模型在加性白高斯噪声下对多种调制类型（包括16QAM、2FSK与4FSK）表现出强大的鲁棒性。
• 由于其高准确率与实时分类能力，该方法展现出实际应用价值，适用于动态无线电环境中的部署。