来源：期刊VIP网 时间：
作者：龚安;张贵临;牟伟清;郭兰图;赵宗泽;张恒;张博;
单位：中国石油大学(华东)青岛软件学院,计算机科学与技术学院;中国电波传播研究所;
摘要：针对卷积神经网络(Convolutional Neural Network, CNN)难以有效提取信号有用特征而导致识别率不高的问题，提出一种基于多层小波分解卷积神经网络(Multi-layer Wavelet Decomposition Convolutional Neural Network, MWD-CNN)的调制识别模型。该模型将多个小波分解层和卷积层逐层交替连接，小波分解层利用自适应小波分解提取低频和高频子带统计特征，并结合频率注意力机制(Frequency Attention Mechanism, FAM)调整各频率分量权重；卷积层学习提取到的时频域信号特征，通过交替执行信号分解和特征学习，实现信号有用信息的多尺度提取与学习，进而提升自动调制识别(Automatic Modulation Recognition, AMR)准确率。在RML2016.10a和RML2016.10b两个数据集上的对比实验结果表明，MWD-CNN模型的平均识别准确率分别达到62.52%和64.65%,相较于其他基线模型，识别准确率分别提升6.61%和4.56%。
关键词：自动调制识别;;卷积神经网络;;小波变换;;提升小波;;频率注意力机制
基金资助：国家重点研发计划(2022YFC3301400)~~
