基于改进Transformer的自动调制识别方法

调制识别技术在认知无线电、电子侦察对抗领域已得到广泛应用。近年来，得益于深度神经网络强大的特征提取能力，基于深度学习的自动调制识别研究已经取得了很大的进展。在实际的调制识别场景中，调制信号通常传输没有语义的比特序列，并且每个调制符号以均匀的概率出现在波形中，因此其特征信息均匀地分布在信号数据当中。但现有的基于深度学习的自动调制识别方法通常采用卷积神经网络或循环神经网络结构，难以适应上述场景中的数据分布特点，未能充分利用长序列数据中的全局特性信息，调制识别率有待进一步提升。本文提出了一种基于改进Transformer的自动调制识别方法——AMR-former。首先对信号数据进行预处理，强化信号数据中的时序特性；随后，结合多头注意力机制与长短期记忆网络设计实现了用于特征提取的AMR-Encoder结构，有效提高了全局时序特征的提取能力，为后续识别分类提供了更为丰富的数据表示。通过在开源数据集RadioML 2016.10a上的实验表明，AMR-former方法在信噪比为0~18 dB条件下的平均识别准确度达到91.90%，相比于典型的GRU、PET-CGDNN、LSTM和MCLDNN等网络结构分别提高了6.38%、2.15%、1.99%和1.75%。