Automatische Modulationskennung mit einer tiefen CVCNN-LSTM-Architektur

Die automatische Modulationskennung (AMR) stellt einen entscheidenden Aspekt in industriellen kognitiven Funksystemen dar. Hochmoderne reelle konvolutionale neuronale Netze (CNNs) haben die Modulationskennung revolutioniert, betrachten jedoch komplexe Signalkomponenten als separate reale Eingaben, was die Integrität der Signalphase und die Interpretierbarkeit des Modells beeinträchtigt. In diesem Dokument wird eine innovative AMR-Methode vorgestellt, die als CVCNN-LSTM bekannt ist. Unsere Studie zielt darauf ab, CNNs in Kombination mit einem Long Short-Term Memory-Netzwerk (LSTM) zu nutzen, um die Stärken beider Netzwerke zu vereinen und gleichzeitig ihre Schwächen zu verringern. Dieser Ansatz verbessert das Lernen der ursprünglichen I/Q-Signalmerkmale und damit die Erkennungsleistung. Das vorgeschlagene Netzwerk besteht aus mehreren LFLBs und einer LSTM-Ebene. Jeder LFLB setzt sich hauptsächlich aus einer konvolutionalen Schicht und einer Durchschnittspooling-Schicht zusammen, die eine Schlüsselrolle beim Lernen lokaler Korrelationen und der extrahierten hierarchischen Korrelation spielt. In Anbetracht der Tatsache, dass I/Q-Daten von Natur aus eine komplexwertige Struktur besitzen, plädieren wir dafür, end-to-end komplexwertige CNNs und komplexwertige LSTMs anstelle von dualen reellen Netzwerken für die Modulationskennung zu verwenden. Wir führen Experimente durch, um komplexwertige Netzwerke zu bewerten, und zeigen, dass unsere Methode die aktuellen hochmodernen Ansätze im Bereich der AMR übertrifft.