复杂电磁环境下的调制识别网络

doi:10.11772/j.issn.1001-9081.2025010117

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (8): 2672-2682.DOI: 10.11772/j.issn.1001-9081.2025010117

• 网络与通信 • 上一篇

复杂电磁环境下的调制识别网络

周金, 李玉芝, 张徐, 高硕, 张立, 盛家川()

天津财经大学理工学院，天津 300222

收稿日期:2025-02-07 修回日期:2025-04-14 接受日期:2025-04-14 发布日期:2025-05-26 出版日期:2025-08-10
通讯作者: 盛家川
作者简介:周金（1981—），女，天津人，副教授，博士，主要研究方向：深度学习、智能信息处理
李玉芝（1982—），女，河北安国人，实验师，硕士，CCF会员，主要研究方向：深度学习、数据挖掘
张徐（1999—），男，重庆人，硕士研究生，主要研究方向：模式识别、调制识别、信道建模
高硕（2001—），男，河北唐山人，硕士研究生，主要研究方向：模式识别、智能信号处理
张立（1982—），女，天津人，讲师，博士，主要研究方向：通信信号处理、机器学习。
基金资助:
天津自然科学基金资助项目(22JCYBJC01550);天津市教委科研计划项目(2023SK105)

Modulation recognition network for complex electromagnetic environments

Jin ZHOU, Yuzhi LI, Xu ZHANG, Shuo GAO, Li ZHANG, Jiachuan SHENG()

College of Science and Technology，Tianjin University of Finance and Economy，Tianjin 300222，China

Received:2025-02-07 Revised:2025-04-14 Accepted:2025-04-14 Online:2025-05-26 Published:2025-08-10
Contact: Jiachuan SHENG
About author:ZHOU Jin， born in 1981， Ph. D.， associate professor. Her research interests include deep learning， intelligent information processing.
LI Yuzhi， born in 1982， M. S.， experimentalist. Her research interests include deep learning， data mining.
ZHANG Xu， born in 1999， M. S. candidate. His research interests include pattern recognition， modulation recognition， channel modeling.
GAO Shuo， born in 2001， M. S. candidate. His research interests include pattern recognition， intelligent signal processing.
ZHANG Li， born in 1982， Ph. D.， lecturer. Her research interests include communications signal processing， machine learning.
Supported by:
Tianjin Natural Science Foundation(22JCYBJC01550);Tianjin Municipal Education Commission Research Program(2023SK105)

摘要/Abstract

摘要：

自动调制识别（AMR）是无线通信系统的关键技术。针对AMR网络在复杂电磁环境下迁移能力较差以及对噪声和调制信号的特征区分能力不足的问题，提出去噪及双模态注意力Transformer及卷积融合网络（Denoising & Dual-modal Attention CNN-Transformer， D-DmACT）。首先，设计一种迭代生成复杂干扰的生成器和对抗干扰的判别器，增强模型在遭遇复杂电磁环境时的泛化能力；其次，设计基于复数注意力的Transformer模块，以捕获同相正交（IQ）信号的时域特征，并设计基于时频位置信息的坐标注意力模块，以获取时频图像的特征，并对两种特征进行交叉融合；再次，将判别器输出的时序复序列和时频图像送至双模态注意力融合模型；最后，实现轻量化的分类识别。在数据集RadioML2016.10a和RadioML2018.01a上分别开展的高斯白噪声以及复杂电磁环境下的识别实验的结果表明：在脉冲噪声的作用下，相较于CLDNN（Convolutional Long short-term Deep Neural Network）、残差网络（ResNet）和长短期记忆（LSTM）网络，所提网络的平均识别准确率分别提高了53.98%、28.82%和24.64%，而相较于多模态自动调制分类网络（MM-Net）、阈值自编码去噪卷积神经网络（TADCNN）和生成式对抗网络联合多模态注意力机制卷积长短期记忆网络（GAN-MnACL），所提网络的平均识别准确率分别提高了19.74%、13.55%和11.17%。在计算复杂度方面，通过参数量和浮点运算数（FLOPs）等指标验证了所提网络在终端的可部署性。

关键词: 自动调制识别, 生成对抗网络, 坐标注意力机制, Transformer, 复杂干扰

Abstract:

Automated Modulation Recognition （AMR） plays a critical role in wireless communications. A Denoising & Dual-modal Attention CNN-Transformer （D-DmACT） was proposed to address problems of poor transfer ability and insufficient abilities to distinguish noise and modulation signal features of AMR networks in complex electromagnetic environments. Firstly， a generator to generate complex electromagnetic interference iteratively and a discriminator to be against interference were proposed to enhance generalization ability of the network when encountering complex electromagnetic environments. Secondly， a complex attention-based Transformer module was designed to capture time-domain features of In-phase and Quadrature （IQ） signals， and a coordination attention module based on time-frequency information was proposed to acquire features of time-frequency images， then the features were crossed and fused. Thirdly， temporal sequence complex signals and time-frequency image obtained by the generator were sent to the dual-modal attention fusion model. Finally， lightweight classification and recognition were implemented. Experiments were conducted on datasets RadioML2016.10A and RadioML2018.01a under white Gaussian noise and complex electromagnetic environment， respectively. Experimental results with impulsive noise show that compared with CLDNN（Convolutional Long short-term Deep Neural Networks）， Residual Network （ResNet）， and LSTM（Long Short-Term Memory） Network， the proposed network has the average recognition accuracy increased by 53.98%， 28.82%， and 24.64%； compared with Multi-Modal approach toward AMR （MM-Net）， Threshold Autoencoder Denoiser Convolutional Neural Network （TADCNN）， and Generative Adversarial Network & Multi-modal Attention mechanism CNN-LSTM （GAN-MnACL）， the proposed network has the average recognition accuracy enhanced by 19.74%， 13.55% and 11.17%， respectively. In terms of computational complexity， deployability of the proposed network is validated through metrics such as parameters and FLoating point OPerations （FLOPs）.

Key words: Automated Modulation Recognition (AMR), Generative Adversarial Network (GAN), coordination attention mechanism, Transformer, complex jamming

中图分类号:

TN974

周金, 李玉芝, 张徐, 高硕, 张立, 盛家川. 复杂电磁环境下的调制识别网络[J]. 计算机应用, 2025, 45(8): 2672-2682.

Jin ZHOU, Yuzhi LI, Xu ZHANG, Shuo GAO, Li ZHANG, Jiachuan SHENG. Modulation recognition network for complex electromagnetic environments[J]. Journal of Computer Applications, 2025, 45(8): 2672-2682.

图/表 17

图1 D-DmACT网络的整体结构

Fig. 1 Overall structure of D-DmACT network

图2 信号增强模块的结构

Fig. 2 Structure of signal enhancement module

图3 噪声生成器的结构

Fig. 3 Structure of noise generator

图4 MS-Res2net的结构

Fig. 4 Structure of MS-Res2net

图5 噪声对抗网络的结构

Fig. 5 Structure of anti-noise network

图6 CIQT的结构

Fig. 6 Structure of CIQT

图7 复数二维卷积的结构

Fig. 7 Structure of C-conv2d

图8 多尺度残差卷积坐标注意力模块的结构

Fig. 8 Structure of multi-scale res-conv coordination attention module

图9 轻量化分类器的结构

Fig. 9 Structure of lightweight classifier

图10 D-DmACT在非平稳噪声环境下的平均识别准确率

Fig. 10 Average recognition accuracy of D-DmACT in non-stationary noise environment

图11 脉冲噪声作用下D-DmACT识别准确率的混淆矩阵

Fig. 11 Confusion matrix of average recognition accuracy for D-DmACT with impulsive noise

图12 高斯白噪声作用下D-DmACT平均识别准确率的混淆矩阵

Fig. 12 Confusion matrix of average recognition accuracy for D-DmACT with white Gaussian noise

图13 RadioML2018数据集上复杂干扰时的平均识别准确率对比

Fig. 13 Comparison of average recognition accuracy with complex interference on RadioML2018 dataset

图14 RadioML2018数据集上信道衰落作用下的平均识别准确率对比

Fig. 14 Comparison of average recognition accuracy with channel fading on RadioML2018 dataset

图15 测试数据集上脉冲噪声的消融实验结果

Fig. 15 Ablation experiment results with impulsive noise on test dataset

表1 脉冲噪声作用下的几种调制识别网络的平均识别准确率对比

Tab. 1 Comparison of average recognition accuracy of several modulation recognition networks with impulsive noise

网络	采用方法	SNR为-20~18 dB时的平均识别准确率/%
CLDNN^［22］	基于模型的方法	45.89
ResNet^［24］	基于模型的方法	54.85
LSTM^［25］	基于模型的方法	56.69
MM-Net^［23］	多模态特征提取及融合方法	59.01
TADCNN^［26］	基于信号去噪方法	62.23
GAN-MnACL^［21］	基于生成对抗网络的去噪及双模态特征融合方法	63.56
本文网络	去噪双模态注意力	70.66

表2 不同的基于深度学习的AMR网络的计算复杂度比较

Tab. 2 Computational complexity comparison of different deep learning-based AMR networks

网络	FLOPs/10⁶	参数量/10³	推演时间/ms
CLDNN^［22］	236	518	139
ResNet^［24］	92	3 098	212
LSTM^［25］	39	205	69
MM-Net^［22］	22	159	52
TADCNN^［26］	46	204	61
GAN-MnACL^［21］	73	147	65
本文完整网络	137	2 056	78
去掉干扰生成器的本文网络	98	127	29

参考文献 26

[1]	石锐，李勇，朱延晗. 基于特征梯度均值化的调制信号对抗样本攻击算法［J］. 计算机应用， 2024， 44（8）： 2521-2527.
	SHI R， LI Y， ZHU Y H. Adversarial sample attack algorithm of modulation signal based on equalization of feature gradient［J］. Journal of Computer Applications， 2024， 44（8）： 2521-2527.
[2]	杨佳仪，王千帆，姚忻圆梦，等. 基于定型匹配成形的5G LDPC编码调制方案［J］. 电子学报， 2024， 52（9）： 2979-2987.
	YANG J Y， WANG Q F， YAO X Y M， et al. A scheme for 5G LDPC coded modulation based on CCDM shaping［J］. Acta Electronica Sinica， 2024， 52（9）： 2979-2987.
[3]	李涛，苏楠，韦荻山，等. 基于高阶矩特征选择和权值优化的信噪比估计［J］. 电子学报， 2024， 52（12）： 3976-3984.
	LI T， SU N， WEI D S， et al. Estimation of signal-to-noise ratio based on feature selection and weight optimization of high-order moments［J］. Acta Electronica Sinica， 2024， 52（12）： 3976-3984.
[4]	张伟，李想，翟志凯，等. 复杂环境下电磁目标信号认知处理架构与应用研究［J］. 电子科技大学学报， 2024， 53（1）： 40-49.
	ZHANG W， LI X， ZHAI Z K， et al. Research on cognitive processing architecture and application of electromagnetic signal in complex environment［J］. Journal of University of Electronic Science and Technology of China， 2024， 53（1）： 40-49.
[5]	DING R， ZHOU F， WU Q， et al. Data and knowledge dual-driven automatic modulation classification for 6G wireless communications［J］. IEEE Transactions on Wireless Communications， 2024， 23（5）： 4228-4242.
[6]	BAI J， LIU X， WANG Y， et al. Integrating prior knowledge and contrast feature for signal modulation classification［J］. IEEE Internet of Things Journal， 2024， 11（12）：21461-21473.
[7]	YAN X， YANG P， ZHONG X， et al. Automatic composite-modulation classification using ultra lightweight deep-learning network based on cyclic-paw-print［J］. IEEE Transactions on Cognitive Communications and Networking， 2024， 10（3）： 866-879.
[8]	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.
[9]	LIN S， ZENG Y， GONG Y. Learning of time-frequency attention mechanism for automatic modulation recognition［J］. IEEE Wireless Communications Letters， 2022， 11（4）：707-711.
[10]	MENG F， CHEN P， WU L， et al. Automatic modulation classification： a deep learning enabled approach［J］. IEEE Transactions on Vehicular Technology， 2018， 67（11）：10760-10772.
[11]	KOJIMA S， MARUTA K， FENG Y， et al. CNN-based joint SNR and Doppler shift classification using spectrogram images for adaptive modulation and coding［J］. IEEE Transactions on Communications， 2021， 69（8）： 5152-5167.
[12]	KUMAR A， CHAUDHARI M S， MAJHI S. Automatic modulation classification for OFDM systems using bi-stream and attention-based CNN-LSTM model［J］. IEEE Communications Letters， 2024， 28（3）： 552-556.
[13]	CAI J， GAN F， CAO X， et al. Signal modulation classification based on the Transformer network［J］. IEEE Transactions on Cognitive Communications and Networking， 2022， 8（3）： 1348-1357.
[14]	MA W， CAI Z， WANG C. A Transformer and convolution-based learning framework for automatic modulation classification［J］. IEEE Communications Letters， 2024， 28（6）： 1392-1396.
[15]	YIN L， XIANG X， LIANG Y. Cyclostationary feature based modulation classification with convolutional neural network in multipath fading channels［J］. IEEE Access， 2023， 11：105455-105465.
[16]	LUAN S， GAO Y， 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.
[17]	李欣然，李春国，明钰婷，等. 脉冲噪声环境下的调制识别算法［J］. 信号处理， 2024， 40（8）： 1497-1507.
	LI X R， LI C G， MING Y T， et al. Modulation recognition algorithm in impulsive noise environments［J］. Journal of Signal Processing， 2024， 40（8）： 1497-1507.
[18]	王洋，沈同圣，汪涛，等. 融合多特征的水声通信信号调制识别方法［J/OL］. 声学学报［2025-03-08］..
	WANG Y， SHEN T S， WANG T， et al. Modulation classification method based on multi-feature combination for underwater acoustic communication signals［J］. Acta Acustica ［2025-03-08］..
[19]	周锋，韦少帅，乔钢. VMD-小波去噪与双线性ResNet结合坐标注意力机制的水声信号调制识别方法［J/OL］. 哈尔滨工程大学学报［2025-03-08］..
	ZHOU F， WEI S S， QIAO G. A method for modulation recognition of underwater acoustic communication signals based on VMD-wavelet denoising， bilinear model ResNet， and coordinate attention mechanism［J］. Journal of Harbin Engineering University ［2025-03-08］..
[20]	张本辉，刘松涛，晁玉龙. 基于DBO-DAOD的未知雷达调制方式识别算法［J/OL］. 系统工程与电子技术［2025-05-09］..
	ZHANG B H， LIU S T， CHAO Y L. Unknown radar modulation mode recognition algorithm based on DBO-DAOD［J/OL］. Systems Engineering and Electronics ［2025-05-09］..
[21]	王华华，张睿哲，黄永洪. 基于生成式对抗网络和多模态注意力机制的扩频与常规调制信号识别方法［J］. 电子与信息学报， 2024， 46（4）： 1212-1221.
	WANG H H， ZHANG R Z， HUANG Y H. Spread spectrum and conventional modulation signal recognition method based on generative adversarial network and multi-modal attention mechanism［J］. Journal of Electronics and Information Technology， 2024， 46（4）： 1212-1221.
[22]	WEST N E， O’SHEA T. Deep architectures for modulation recognition［C］// Proceedings of the 2017 IEEE International Symposium on Dynamic Spectrum Access Networks. Piscataway： IEEE， 2017：1-6.
[23]	TRIARIDIS K， DOUMANIDIS C， CHATZIDIAMANTIS N D， et al. MM-Net： a multi-modal approach toward automatic modulation classification［J］. IEEE Communications Letters， 2024， 28（2）：328-331.
[24]	ZHANG H， YUAN L， WU G， et al. Automatic modulation classification using involution enabled residual networks［J］. IEEE Wireless Communications Letters， 2021， 10（11）： 2417-2420.
[25]	ZHOU Q， JING X， HE Y， et al. LSTM-based automatic modulation classification［C］// Proceedings of the 2020 IEEE International Symposium on Broadband Multimedia Systems and Broadcasting. Piscataway： IEEE， 2020：1-4.
[26]	AN T T， LEE B M. Robust automatic modulation classification in low signal to noise ratio［J］. IEEE Access， 2023， 11：7860-7872.

复杂电磁环境下的调制识别网络

Modulation recognition network for complex electromagnetic environments

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 26

相关文章 15

编辑推荐

Metrics

[1]	陶永鹏, 柏诗淇, 周正文. 基于卷积和Transformer神经网络架构搜索的脑胶质瘤多组织分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2378-2386.
[2]	黄颖, 高胜美, 陈广, 刘苏. 结合信噪比引导的双分支结构和直方图均衡的低照度图像增强网络[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1971-1979.
[3]	许鹏程, 何磊, 李川, 钱炜祺, 赵暾. 基于Transformer的深度符号回归方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1455-1463.
[4]	李慧, 贾炳志, 王晨曦, 董子宇, 李纪龙, 仲兆满, 陈艳艳. 基于Swin Transformer的生成对抗网络水下图像增强模型[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1439-1446.
[5]	陈凯, 叶海良, 曹飞龙. 基于局部-全局交互与结构Transformer的点云分类算法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1671-1676.
[6]	陈鹏宇, 聂秀山, 李南君, 李拓. 基于时空解耦和区域鲁棒性增强的半监督视频目标分割方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1379-1386.
[7]	潘理虎, 彭守信, 张睿, 薛之洋, 毛旭珍. 面向运动前景区域的视频异常检测[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1300-1309.
[8]	袁宝华, 陈佳璐, 王欢. 融合多尺度语义和双分支并行的医学图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 988-995.
[9]	桂佳扬, 王顺吉, 周正康, 唐加山. 基于改进YOLOv8n的隧道内异物检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 655-661.
[10]	上官宏, 任慧莹, 张雄, 韩兴隆, 桂志国, 王燕玲. 基于双编码器双解码器GAN的低剂量CT降噪模型[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 624-632.
[11]	王雅伦, 张仰森, 朱思文. 面向知识推理的位置编码标题生成模型[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 345-353.
[12]	梁杰涛, 罗兵, 付兰慧, 常青玲, 李楠楠, 易宁波, 冯其, 何鑫, 邓辅秦. 基于坐标几何采样的点云配准方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 214-222.
[13]	贾洁茹, 杨建超, 张硕蕊, 闫涛, 陈斌. 基于自蒸馏视觉Transformer的无监督行人重识别[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2893-2902.
[14]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[15]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.