本文由牛瑞婷、严天峰、高锐和王映植等作者共同完成，研究团队主要来自兰州交通大学电子与信息工程学院、甘肃省无线电监测及定位行业技术中心以及甘肃省高精度北斗定位技术工程实验室。该研究于2024年7月发表在《计算机工程》期刊上，题为《低信噪比下基于深度学习TCNN-MobileNet的调制识别》。研究得到了国家自然科学基金、甘肃省重点人才项目、甘肃省青年科技基金以及四电BIM工程与智能应用铁路行业重点实验室开放课题的支持。
调制识别是通信领域中的关键技术之一，尤其在军用和民用领域具有重要应用。随着通信技术的发展，频谱资源日益紧张，多种调制方式的混合使用成为常态。传统的调制识别方法，如基于决策理论的似然比（LB）算法和基于统计理论的特征提取（FB）算法，虽然在某些场景下表现良好，但存在计算复杂度高、依赖先验知识、低信噪比（SNR）下识别准确率低等问题。近年来，深度学习技术在调制识别领域的应用逐渐成为研究热点，但现有方法仍面临网络复杂度高、硬件要求高、低信噪比下识别准确率不理想等挑战。
本文旨在解决这些问题，提出了一种基于双路卷积神经网络级联可分离卷积网络（TCNN-MobileNet）的调制识别方法，结合离散小波变换（DWT）进行信号预处理，以提高低信噪比下的识别准确率，并降低网络复杂度和硬件需求。
研究的主要流程包括数据预处理、特征提取、特征融合和调制识别模型训练四个步骤。
数据预处理：
研究首先对原始的同向正交（IQ）信号进行离散小波变换（DWT）预处理，目的是去除噪声，使信号更加平滑。小波变换能够在时间和频率域上对信号进行局部化分析，通过伸缩和平移操作，实现对低频域的频率细分和高频域的时间细分。本文选择了Coiflets小波基中的Coif3作为小波函数，并使用软硬阈值法进行去噪处理。通过小波变换，信号被分解为低频和高频部分，进一步减少了噪声对信号的影响。
特征提取：
预处理后的信号被输入到双路卷积神经网络（CNN）中，进行不同维度的特征提取。双路CNN分别从不同尺度提取信号特征，确保信号的多维度特征被充分利用。每一路CNN包括卷积层、激活层和丢弃层，激活函数采用整流线性单元（ReLU）函数，丢弃层用于防止过拟合。
特征融合：
双路CNN提取的特征通过融合层进行拼接，形成多维特征矩阵。融合层的作用是将不同尺度的特征进行维度拼接，确保特征信息的完整性。
调制识别模型训练：
融合后的特征被输入到轻量级神经网络MobileNetV1中进行训练。MobileNetV1采用深度可分离卷积（Depthwise Separable Convolution），将卷积操作分为深度卷积（DW）和逐点卷积（PW），大幅减少了计算量和参数量。最终，通过全连接层对11种调制方式进行分类输出。
研究在公开数据集RML2016.10a上进行了实验验证，数据集包含11种调制方式，信噪比范围为-20 dB到18 dB。实验结果表明，TCNN-MobileNet在低信噪比下的识别准确率显著优于传统网络架构。具体结果如下：
此外，TCNN-MobileNet在保证识别精度的同时，显著降低了训练参数量和网络训练时间，简化了网络架构，降低了对硬件设备的要求。
本文提出的TCNN-MobileNet调制识别方法在低信噪比下表现出色，能够有效解决传统神经网络在调制识别任务中面临的网络复杂度高、硬件要求高、低信噪比下识别准确率低等问题。通过结合离散小波变换和轻量级神经网络，研究不仅提高了识别准确率，还降低了计算复杂度和硬件需求，为轻量级神经网络在调制识别中的应用提供了新的思路。
未来研究可以考虑将更多轻量级神经网络引入调制识别任务中，以进一步提高识别准确率和效率。此外，还可以探索该方法在其他通信场景中的应用，如多用户检测、频谱感知等。