基于图像深度学习的调制识别算法

• 作者: 陈子锐 侯进 李金彪 窦允冲
• 来源期刊: 微电子学与计算机
• 学科: 工学
• 关键词: 卷积神经网络 目标检测 计算机视觉 调制识别
• 年，卷（期）: 2022,（6）
• 所属期刊栏目: 人工智能与算法
• 页码范围: 31-40
• 页数: 9页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19304/J.ISSN1000-7180.2021.1274

摘要

针对现阶段基于深度学习的调制识别算法中出现的检测效率低下的问题，提出一种高效的调制识别算法—RadioFSDet(Radio Frequency Spectrum Detection)检测算法.RadioFSDet算法利用信号在频谱图上的特征差异，使用目标检测算法YOLOv4检测频谱图上的调制信号.相较于主流的基于深度学习的调制识别算法，RadioFSDet算法不仅能够在一次模型推理中检测出多个信号的调制类别，还能够大致确定每个信号的中心频率.实验结果表明，RadioFSDet算法对在真实场景下采集的多个超短波全频段中的AM、FM、GSM和QPSK信号均实现良好的检测，平均检测精度达到71%，同时在公开数据集RadioML2016的实验中，RadioFSDet算法对信噪比在0~18dB下的AM、FM和QPSK信号实现87%的平均检测精度.此外，为了进一步加快RadioFSDet算法的检测速度，本文结合计算机视觉领域的最新研究成果，提出一种高效的轻量级检测网络RadioFSNet，该网络的参数量不仅由原来的6 400万下降至220万，而且模型的检测精度不会下降.实验结果表明，在超短波全频段的数据集中, RadioFSNet的检测速度达到77FPS，平均每秒钟检测231个信号，大幅度提高模型的检测效率.