基于门控注意力网络的调制信号分类识别算法

摘" 要： 针对神经网络提取的信号特征不足导致信号识别率下降的问题，提出基于门控注意力网络的调制信号分类识别算法。该算法先对输入信号进行混合数据增强，生成更多维度的样本以便网络更好地提取信号特征；再将处理后的样本信号输入双通道网络（CNN and BiLSTM Parallel），并行提取信号的空间特征和时间特征；最后将提取到的特征输入到门控注意力网络中，自适应地调整特征权重，减少网络复杂度。实验表明，文中提出的算法最高分类准确率为92.3%，优于对比的其他网络模型。

关键词： 自动调制识别； 双通道网络； 长短时记忆网络； 门控注意力网络； 空间特征； 时间特征

中图分类号： TN911.3⁃34； TP183" " " " " " " " 文献标识码： A" " " " " " " " " " " "文章编号： 1004⁃373X（2025）03⁃0069⁃07

Modulation signal classification and recognition algorithm

based on gated attention network

XU Xue1， YAO Wenqiang2， LI Chen1， GUO Yecai1

（1. Wuxi University， Wuxi 214105， China; 2. Jiangsu Electronic Information Product Quality Supervision and Inspection Institute， Wuxi 214072， China）

Abstract： The signal features extracted by neural network are insufficient， which leads to the decline of signal recognition rate， so this paper proposes a modulation signal classification and recognition algorithm based on gated attention network. In this algorithm， the input signal is subjected to mixed data augmentation to generate samples with more dimensions， so that the network can extract satisfactory signal features. And then， the processed sample signal is input into a dual⁃channel network （CNN and BiLSTM parallel） to extract the spatial and temporal features of the signal in parallel. Finally， the extracted features are input into the gated attention network to adjust feature weights adaptively and reduce network complexity. The experiment shows that the highest classification accuracy of the proposed algorithm is 92.3%， which is better than that of the other comparison network models in this article.

Keywords： automatic modulation recognition; dual⁃channel network; LSTM network; gated attention network; spatial feature; temporal feature

0" 引" 言

自动调制分类（AMC）作为一项关键技术，在民用和军事领域发挥着重要作用[1]，其核心任务是在接收信号调制类型未知的情况下，自动对信号进行分类。传统调制方式识别主要包括基于最大似然（LB）和基于特征提取（FB）[2⁃3]。LB方法通常使用概率模型和假设检测理论，利用决策准则对接收信号进行分类[4]；FB方法提取接收信号的特征[5]，并利用分类器进行识别分类[6⁃7]。AMC学者一直专注于降低算法复杂度，提高信号特征的提取效率，并寻找更多更有效的先验条件来提高识别率[8⁃9]。

近年来，基于深度学习[10⁃11]的调制类型识别方法取得了优越的效果。相对于传统调制方式识别算法需要人工设计专家特征提取信号的特征，深度学习能够自动提取信号的全部特征，从而避免了对信号的繁琐预处理步骤[12]。文献[13]提出自编码器模型对信号调制分类，但实验使用的卷积神经网络（CNN）结构简单，提取的信号特征有限，导致识别精度较低；文献[14]提出一种循环卷积神经网络（RNN），该网络可以关注信号样本前后的时间特征信息，补全了CNN在提取信号特征时的不足；文献[15]使用更深层的深度神经网络（DNN）来识别调制信号的类型，这些网络模型通常具有更多层的隐藏层和更多的神经元，因此能在训练数据集中提取更多的信号特征，获得更高的分类准确率，但同时增加了算法的复杂度。

为解决此类问题，本文提出基于门控注意力网络的调制信号分类识别算法，混合数据增强模块对输入信号进行时域数据增强和自扰动数据增强，该模块将输入信号进行时域变换和自扰动操作，以此增加样本信号的数量，有利于神经网络提取信号的特征；将处理后的样本输入到双通道网络中进行特征提取，第一通道的CNN提取信号的空间特征，第二通道的BiLSTM网络提取信号的时间特征；最后将提取的特征输入到门控注意力网络中进行分类计算，对提取的大量特征进行权重赋值，门控机制将无用的特征丢弃，大大减小了算法的复杂度。

1" 调制信号模型

调制信号主要分为模拟调制和数字调制两类，模拟调制是将原始信息直接调制到载波信号上，而数字调制则是通过将数字信号转换为模拟信号后再进行调制或直接调制数字信号[16]。在无线通信系统中，发射器负责将信息转换为模拟调制信号或数字调制信号进行发送，如图1所示，信道是信息传输的介质，而接收器则接收和解码信号。接收到的信号表示如下：

[r（t）=-∞∞s（τ）⋅h（t-τ）dτ+n（t）] （1）

式中：[r（t）]为接收到的调制信号；[s（τ）]为发送的调制信号；[h（t）]表示信道的冲激响应；[n（t）]为噪声信号。本文使用加性噪声来研究复杂信道下的调制算法。

2" 基于门控注意力网络的调制信号分类识别算法

基于门控注意力网络的调制信号识别算法由输入模块、混合数据增强模块（Mixed Data Augmentation， MDA）、双通道网络（CBNet）和门控注意力网络（Gate Attention， GAtt）组成，算法整体架构如图2所示。

2.1" 混合数据增强算法

输入神经网络的信号往往都是单一相位的调制信号，为了使神经网络更好地提取信号特征，本文提出了一种混合数据增强算法（MDA）。对原始数据进行时域增强和频域增强，其中时域增强通过对信号进行时移操作以改变信号在时间轴上的位置，使网络能够学习到不同时间偏移下的特征；自扰动数据增强通过对输入信号进行各种形式的扰动或变换，从而产生更多样化、更具代表性的训练样本。混合数据增强模型如图3所示。

2.1.1" 时域数据增强

时域移位操作通过在信号的时间序列上进行平移来实现。对于离散时间信号[x（n）]，时域移位操作可以表示为[x（n-Δn）]，其中[Δn]为采样点的偏移量。以下是时域数据增强的具体步骤：

1） 创建一个新的信号[y（n）]，其长度与[x（n）]相同；

2） 将[x（n）]的值从[n=0]到[n=N-1]复制到[y（n+k）]；

3） 如果[kgt;0]，则在[y（n）]的开始处填充[k]个零；如果[klt;0]，则在[y（n）]的末尾处填充[-k]个零。

通过上述步骤，即可实现将信号[x（n）]向右移动[k]个采样点的操作，从而进行时域移位。

2.1.2" 自扰动数据增强

自扰动进行数据增强是指随机裁剪数据的一部分，将其拼接回剩余数据的过程[17]。假设进行自扰动增强的数据表示为[X]，裁剪后剩余的数据表示为[Xc]，裁剪后的剩余数据长度表示为[Xc]，从原始数据中取出的随机片段表示为[x]。自扰动增强数据可表示为：

[XOP=Xc[0⋅p]+x+Xcp：Xc] （2）

式中：[XOP]为自扰动数据增强算法的输出；[p]为[Xc]的一个随机位置。

自扰动算法涉及裁剪序列的部分内容，将其添加到随机位置，以扩展数据集并丰富特征。该算法提高了模型的泛化性能，即在训练集之外的数据上表现良好的能力，增强数据的多样性，减少过拟合的风险，而且不会引入额外的信息。

2.2" 双通道网络

2.2.1" 双向长短时记忆网络

尽管LSTM网络能够较好地提取信号的时间特征，但当前时间点的单元状态只能通过上一个时间点的信息来更新。双向长短时记忆网络（BiLSTM）能够同时从前向和后向分析输入信号，提取更全面的时间特征[18⁃19]。其中，BiLSTM网络结构如图4所示。

在图4中，网络各层可用公式表示为：

[ht=f（W（1）xt+V（1）ht-1+b（1））] （3）

[ht=f（W（2）xt+V（2）ht+1+b（2））] （4）

[ht=ht⊕ht] （5）

[yt=g（Uht+c）] （6）

2.2.2" 双通道网络架构

本文提出的双通道网络架构如图5所示。第一通道由CNN层和Flatten层组成，其中第一个CNN层包括256个2×3的卷积核，第二个CNN层包含256个1×3的卷积核；第二通道是由BiLSTM层组成，其中两个BiLSTM层均包含128个单元。

2.3" 门控注意力网络

注意力网络是一种在机器学习和人工智能领域中常用的技术。注意力网络能够模仿人类注意力的行为，使模型在处理输入数据时专注于重要的部分，忽略不相关或不重要的信息[20]。针对本文数据增强算法可能导致提取的特征爆炸式增长的问题，提出基于门控机制的注意力网络。GAtt网络能够利用门控机制对输入的特征进行筛选，排除无关特征的干扰，减少注意力网络的复杂度，GAtt网络结构如图6所示。

由图6可知，本文提出的门控注意力网络由输入层、门控层、注意力层和输出层组成，其工作流程如下。

1） 计算门控参数[gt]。首先根据输入的信号特征计算门控参数，使用Sigmoid函数输出一个[0，1]之间的值，其公式表示为：

[gt=σ（Wg⋅ht+bg）] （7）

式中：[Wg]和[bg]为门控层参数；[σ（）]为Sigmoid函数。

2） 计算注意力权重。信号特征值输入到注意力层中，进行注意力权重的计算，可表示为：

[eti=ReLU（We⋅ht+Ue⋅xi+be）] （8）

[Ati=exp（eti） i=1Texp（eti）] （9）

式中：[We]、[Ue]、[be]表示注意力机制参数；[Ati]表示注意力输出权重。

3） 结合门控参数和注意力权重更新[ht]。将自门控参数[gt]与注意力权重[Ati]结合，以动态地调整隐藏状态[ht]，其公式为：

[ht=gt⋅ht+（1-gt）⋅i=1TAti⋅xi] （10）

式中[ht]表示更新后的状态。

3" 实验结果与讨论

本实验采用RML2016.10a数据集[21]，图7展示了部分信号的I/Q波形。

该数据集通过复杂信道后由GUN Radio生成，其数据集的采样速率为200 kHz，最大采样率偏移为50 Hz。并且每个信号都由128个采样点组成，每个信号包含8个符号。整个数据集中共有220 000个信号，这些信号在信噪比范围从-20～18 dB之间变化，提供了多样的信号环境，可以用于评估不同噪声条件下的通信系统性能[22]。

本实验将RML2016.10a数据集中的信号样本分成两部分：70%的样本用作训练集，30%的样本则用作测试集。

3.1" 网络的性能分析与对比实验

为验证混合数据增强算法和门控注意力网络对最终分类识别结果的影响，本文实验分别进行MDA+CBNet+GAtt、MDA+CBNet、CBNet处理，其分类准确率如图8所示。

通过图8可以看出，使用CBNet网络进行调制信号识别的识别准确率为85.7%。加入混合数据增强算法（MDA）后，网络可以提取的信号特征变多，网络的识别准确率提升了2.5%，为88.2%。继续加入门控注意力网络（GAtt）后，提取的信号特征被赋予权重，网络的识别准确率比MDA+CBNet提升了4.1%，为92.3%。

本文将CBNet与CNN[13]、CNN⁃LSTM[23]、ResNet[24]、DenseNet[15]和KNN[25]进行对比实验，信号识别准确率如图9所示。

通过图9可知，CBNet的信号识别准确率最高，为85.7%。与其他网络模型对比，KNN识别准确率最低为69%；CNN网络能够通过提取信号特征来识别信号类型，信号的识别准确率有所提高，为72.9%；ResNet、DenseNet网络模型拥有更深层的网络和更多的参数，因此对样本信号有更好的识别率，分别为81.0%和80.1%；CNN⁃LSTM网络模型使用CNN和LSTM提取信号的空间特征和时间特征，此类特征符合调制信号的特性，因此识别率较高，为82.2%。

3.2" 网络模型混淆矩阵分析

为研究不同网络模块对各个调制类型的分类识别率，SNR=-10 dB时CBNet、ResNet、DenseNet和CNN⁃LSTM的混淆矩阵如图10所示。

从图10可以看出，在SNR=-10 dB时，四种网络模型对各类调制信号的分类准确率都较低，调制信号的混淆现象严重。但相比于图10b）～图10d），CBNet的混淆矩阵的对角线更加清晰，因此识别准确率更好。

当SNR=10 dB时，CBNet、ResNet、DenseNet和CNN⁃LSTM的混淆矩阵如图11所示。

由图11可知，在SNR=10 dB时，各类网络模型均能识别出绝大部分的调制信号类型。与对比算法相比，CBNet网络模型对各类信号的识别率更好，因此总的识别准确率更高。

最后实验得出了在SNR=18 dB高信噪比下，本文网络模型的混淆矩阵如图12所示。

由图12看出，本文提出的CBNet对大部分的调制信号都有很好的识别率。但是，单纯使用神经网络提取QAM16和QAM64的信号特征不足以清晰地分辨出两类调制信号，因此两类调制信号的识别率略低。

4" 结" 语

本文提出了基于门控注意力网络的调制信号分类识别算法，该算法通过混合数据增强扩充样本信号，解决了神经网络提取信号特征不足的问题；提出双通道神经网络，解决传统网络难以充分提取样本信号的时间特征和空间特征的问题；最后提出门控注意力网络，解决了因信号样本增加可能导致提取特征暴增的问题。实验表明，本文提出的算法能够明显提高信号的识别准确率。未来工作方向在于提高QAM16信号和QAM64信号的识别准确率。

注：本文通讯作者为许雪。

参考文献

[1] YANG Y W， GAO F F， MA X L， et al. Deep learning⁃based channel estimation for doubly selective fading channels [J]. IEEE access， 2019， 7： 36579⁃36589.

[2] LI L Q， XIE L H， HUANG Z P， et al. A deep learning based method for blind recognition of LDPC codes [C]// Information Communication Technologies Conference. [S.l.： s.n.]， 2021： 112⁃116.

[3] SHEN B X， WU H Y， HUANG C. Blind recognition of channel codes via deep learning [C]// IEEE Global Conference on Signal and Information Processing. New York： IEEE， 2019： 1⁃5.

[4] VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need [C]// Advances in Neural Information Processing Systems 30： Annual Conference on Neural Information Processing Systems 2017. [S.l.： s.n.]， 2017： 5998⁃6008.

[5] KONG W， YANG Q， JIAO X， et al. A transformer⁃based CTDNN structure for automatic modulation recognition [C]// Proceedings of 2021 7th International Conference on Computer and Communications. [S.l.： s.n.]， 2021： 159⁃163.

[6] CAI J J， GAN F M， CAO X H， et al. Signal modulation classification based on the transformer network [J]. IEEE transactions on cognitive communications and networking， 2022， 8（3）： 1348⁃1357.

[7] LUAN S Y， GAO Y R， CHEN W， et al. Automatic modulation classification： Decision tree based on error entropy and global⁃local feature⁃coupling network under mixed noise and fading channels [J]. IEEE wireless communications letters， 2022， 11（8）： 1703⁃1707.

[8] ZHENG Q H， ZHAO P H， WANG H J， et al. Fine⁃grained modulation classification using multi⁃scale radio transformer with dual⁃channel representation [J]. IEEE communications letters， 2022， 26（6）： 1298⁃1302.

[9] WEST N E， O′SHEA T J. Deep architectures for modulation recognition [C]// 2017 IEEE International Symposium on Dynamic Spectrum Access Networks （DySPAN）. New York： IEEE， 2017： 1⁃6.

[10] 张嘉文.基于深度学习的数字信号调制识别技术的研究[D].成都：电子科技大学，2022.

[11] 郭业才，王庆伟.基于截断迁移与并行残差网络的调制识别算法[J].系统仿真学报，2022，34（9）：2009⁃2018.

[12] 李瑞佳.面向复杂结构数据的聚类算法研究[D].成都：电子科技大学，2022.

[13] O′SHEA T J， HOYDIS J. An introduction to deep learning for the physical layer [J]. IEEE transactions on cognitive communications and networking， 2017， 3（4）： 563⁃575.

[14] MEI F， CHEN H， LEI Y K. Blind recognition of forward error correction codes based on a depth distribution algorithm [J]. Symmetry， 2021， 13（6）： 1⁃24.

[15] HONG D H， ZHANG Z L， XU X D. Automatic modulation classification using recurrent neural networks [C]// 2017 3rd IEEE International Conference on Computer and Communications （ICCC）. New York： IEEE， 2017： 695⁃700.

[16] SHEN B X， HUANG C， XU W J， et al. Blind channel codes recognition via deep learning [J]. IEEE journal on selected areas in communications， 2021， 39（8）： 2421⁃2433.

[17] LI S D， ZHOU J， HUANG Z P， et al. Recognition of error correcting codes based on CNN with block mechanism and embedding [J]. Digital signal processing， 2021， 111： 1⁃8.

[18] SURIYA M， SUMITHRA M G. Overview of spectrum sharing and dynamic spectrum allocation schemes in cognitive radio networks [C]// 2022 8th International Conference on Advanced Computing and Communication Systems （ICACCS）. New York： IEEE， 2022： 934⁃937.

[19] KERECHANIN Y， BOBROV P. EEG denoising using wavelet packet decomposition and independent component analysis [C]// Fourth International Conference Neurotechnologies and Neurointerfaces （CNN）. New York： IEEE， 2022： 68⁃70.

[20] KUMAR Y， SHEORAN M， JAJOO G， et al. Automatic modulation classification based on constellation density using deep learning [J]. IEEE communications letters， 2020， 24（6）： 1275⁃1278.

[21] O′SHEA T J， WEST N. Radio machine learning dataset generation with GNU radio [C]// Proceedings of the GNU Radio Conference. [S.l.： s.n.]， 2016： 69⁃74.

[22] 郭业才，姚文强.基于信噪比分类网络的调制信号分类识别算法[J].电子与信息学报，2022，44（10）：3507⁃3515.

[23] YAO T Y， CHAI Y， WANG S， et al. Radio signal automatic modulation classification based on deep learning and expert features [C]// 2020 IEEE 4th Information Technology， Networking， Electronic and Automation Control Conference （ITNEC）. New York： IEEE， 2020： 1225⁃1230.

[24] WEI Z X， JU Y， SONG M. A method of underwater acoustic signal classification based on deep neural network [C]// 2018 5th International Conference on Information Science and Control Engineering （ICISCE）. New York： IEEE， 2018： 46⁃50.

[25] ZHU Z C， ASLAM M W， NANDI A K. Genetic algorithm optimized distribution sampling test for M⁃QAM modulation classification [J]. Signal processing， 2014， 94： 264⁃277.