基于多通道注意力网络的调制信号分类识别算法

摘要：传统神经网络在区分易混淆调制信号方面表现不足，限制了识别精度的进一步提升。为克服这一局限，文章提出了一种基于多通道注意力网络的调制信号分类识别算法。该算法结合混合数据增强技术，提升模型的泛化能力，并设计了融合残差网络、LSTM 网络和专家特征网络的多通道架构，全面提取调制信号的关键特征，包括时间动态特征、空间结构特征以及易混淆信号的区分性特征。为了进一步提升分类性能，算法引入了自适应多头注意力网络，对提取的特征进行加权融合。实验结果表明，该算法在调制信号分类任务中实现了高达95% 的分类准确率，显著优于现有主流网络模型。

关键词：自动调制识别；多通道注意力网络；混合数据增强；特征融合；残差网络

中图分类号：TN911.3 文献标识码：A

文章编号：1009-3044（2025）06-0001-04开放科学（资源服务）标识码（OSID）：

0引言

自动调制识别技术能够实时识别信号的调制方式，对于提升通信效率、优化频谱资源利用以及增强信号监测和干扰检测能力具有重要意义[1]。传统调制识别方法主要分为概率方法[2]和特征提取方法[3]。概率方法依赖先验知识和概率模型进行信号识别，在理论上具有一定的最优性，但通常需要大量计算资源，限制了其实时性和实际应用范围。而特征提取方法则通过频谱特征[4]、高阶累积量特征[5]、瞬时特征[6]及小波变换[7]等，提取信号特征以实现调制信号识别。然而，这种方法对于人工设计特征的依赖较高，特征表达能力受限，存在特征冗余等问题，难以在复杂信道环境下发挥稳定性能。

近年来，基于深度学习的调制识别技术凭借其强大的特征提取和模式学习能力，有效降低了对先验知识和人工设计特征的依赖，成为该领域的研究热点。文献[8]率先将卷积神经网络（Convolutional NeuraNetworks.CNN）引人无线电信号的调制识别，其研究表明CNN能够显著提高调制信号的识别精度。随后，文献[9]提出采用循环神经网络（Recurrent Neural Net-work，RNN）对I0路信号中的时间依赖性信息进行建模。该模型在处理噪声条件下的信号分类任务中表现出优异的鲁棒性及识别精度，展现出与传统卷积神经网络相比更强的时间动态特征捕捉能力。文献[10进一步发展了这一研究，利用长短时记忆（Long Short-Term Memory，LSTM）网络从输人的 AP（Ampli-tude-Phase）信号中提取时间特征，并结公随机擦除和注意力机制，显著提升了模型在低信噪比条件下的性能表现。

此外，针对复杂调制信号特征的空间与时间协同建模，文献[11]将CNN与LSTM结合，提出了一种混合模型，该模型利用IQ信号与四阶统计量（FOC）方法，实现了信号空间结构和时间动态特征的联合学习，在识别性能上取得显著突破。文献[12]与文献[13]进一步验证了混合模型在自动调制识别（AMR）任务中的有效性。通过顺序卷积循环神经网络（Sequential Convolutional Recurrent Neural Networks， SCRNN）及多维CNN-LSTM网络实现调制信号的分类，这些方法的准确率均超过90%。然而，这些网络大多采用单通道输入，仅聚焦于信号的特定特征维度，导致其在低信噪比环境下对易混淆信号的分类能力有限。

为进一步提升调制识别的精度与可靠性，研究者开始探索多通道输入模型及特征融合框架。文献[14] 提出了基于多通道时空学习框架（Multichannel Spatiotemporal Learning Framework， MCLDNN），通过引入三路IQ信号输入通道，从多个角度提取信号的时空特征，展示了更高的收敛速度及出色的识别精度。然而，该方法缺乏有效策略来建模信号通道间的相关性，导致其对AM-DSB和WBFM调制方式的识别性能仍存在不足。文献[15]结合联合注意力机制与混合并行神经网络，从不同角度动态调整特征权重，有效改善了调制分类任务中的特征提取效率及分类精度，尤其在复杂电磁环境中表现出较强的鲁棒性。相较于单通道模型，多通道网络能够更全面地捕获信号特征，为复杂信号的识别提供了更加可靠的解决方案。

为解决当前模型在低信噪比条件下和易混淆信号分类中的不足，本文提出了一种基于多通道注意力网络的调制信号分类识别算法。该算法通过融合残差网络、LSTM网络及专家特征网络的多通道架构来提取信号的多维特征，同时结合混合数据增强技术与自适应多头注意力机制，实现特征的动态加权融合，以进一步提升识别的精度与鲁棒性。实验结果表明，本文提出的算法在低信噪比环境中表现显著优于现有主流算法，展现出在复杂电磁环境中的广泛应用前景。

2.3 消融对比实验

为验证本文提出的MDA算法和自适应多头注意力网络（AMHA）的性能，实验对以下组合方案进行了对比：MDA+CLF-Net+AMHA、CLF-Net+AMHA、MDA +CLF-Net、CLF-Net。最终得出了不同方法的分类识别率，结果如图4所示。

由图4可知，基础的CLF-Net模型在提取信号特征方面具有一定的能力，但由于其结构相对简单，无法充分捕捉复杂信号的细微特征，其识别准确率为88%。将注意力机制和多头自适应机制（AMHA）引入CLF-Net中，显著增强了模型提取重要特征的能力，使其能够更好地处理复杂信号，识别准确率提升至90%。

当将混合数据增强算法（MDA）与CLF-Net结合时，通过数据增强生成了更为丰富的训练样本，使得网络能够提取更多的特征，识别准确率相较于CLF-Net + AMHA组合提高了2%，达到92%。最后，本文提出的综合性网络模型通过结合多通道神经网络结构、自适应多头注意力网络以及混合数据增强算法，识别准确率最高，为94%。

2.4 不同网络间的对比实验

为验证本文提出的CLF-Net在调制信号识别中的性能，与Three-Stream 网络、P-CL、MCLDNN、CNN-LSTM、ResNet和DenseNet进行了对比实验。信号识别准确率如图5所示。

通过图5 可知，本文提出的网络模型CLF-Net的识别率最高，为95%。与其他网络模型相比，DenseNet由于过度处理信息并引入不必要的复杂性，导致识别率较低，仅为83%。ResNet网络模型通过更深层的网络结构和残差连接，能够更有效地捕捉复杂信号特征，识别率相比DenseNet有所提高，为85%。

CNN-LSTM网络模型结合了CNN和LSTM，用以提取信号的空间特征和时间特征，识别率达到了87%。MCLDNN网络由于采用三输入结构，并通过特征融合更好地捕捉信号特征，识别率较高，为90%。P-CL和Three-Stream网络均采用与本文类似的多通道网络形式，识别率分别为93% 和92%。

2.5 混淆矩阵分析

由图6 可以看出，在SNR=-6 dB的条件下，ResNet 的混淆矩阵显示出更多的误分类情况，特别是在某些相似调制信号之间，分类边界较为模糊。相比之下，CLF-Net和CNN-LSTM的混淆矩阵对角线相对清晰，表明它们能够较为准确地区分各类调制信号。其中，CLF-Net 由于引入了专家特征，使得模型在分类QAM、WBFM等易混淆信号时更加精准，信号的识别准确率更高。

3 结论

针对调制信号特征表达不足及传统神经网络对易混淆信号分类效果不佳的问题，本文提出了一种基于多通道注意力网络的调制信号分类算法。本算法通过引入时间平移、噪声添加和幅度缩放数据增强技术，增强了数据集的多样性，有效解决了调制信号特征表达不足的问题。同时，设计了多通道网络结构，以优化对信号之间易混淆特性的特征提取过程，解决了传统神经网络对易混淆信号分类效果不佳的问题。

为了应对信号样本增加引发的特征提取膨胀问题，本文提出了自适应多头注意力网络，通过自适应机制优化特征提取和处理，确保了模型的高效性和准确性。实验结果表明，本算法在分类性能上表现优异，显著提升了调制信号分类的准确度和鲁棒性。

未来的研究将致力于降低算法复杂度，同时保持甚至进一步提升调制信号识别的准确率。