无人机通信系统中基于DFCT-Net的自动调制识别技术研究

作者及机构
本研究的通讯作者为Na Wang（山东大学信息科学与工程学院），合作作者包括Yantian Shen、Yang Yang、Yunxia Liu、Liang Ma、Hongjun Wang和Fang Li。研究团队来自山东大学信息科学与工程学院、昌吉学院信息工程学院以及山东大学光学研究与工程中心(CORE)。该成果发表于2025年的《Neurocomputing》期刊（Volume 653, Article 131200）。

学术背景
随着无人机（UAV, Unmanned Aerial Vehicle）在现代军事侦察、目标识别和通信中作用的提升，其通信信号在复杂电磁环境下的自动调制识别（AMR, Automatic Modulation Recognition）面临严峻挑战：动态信道导致多普勒频移和时间选择性衰落，跳频技术（FHSS, Frequency-Hopping Spread Spectrum）引发时频碎片化，以及非协作场景下标注数据稀缺。传统基于机器学习的方法（如支持向量机SVM和决策树）在低信噪比（SNR, Signal-to-Noise Ratio）下性能受限，而深度学习虽能自动提取特征，但单一CNN（Convolutional Neural Network）或LSTM（Long Short-Term Memory）模型难以兼顾局部与全局特征。为此，本研究提出双流卷积Transformer网络（DFCT-Net），旨在通过时频域特征联合建模提升低SNR信号的识别精度。

研究流程与方法
1. 信号建模与数据集构建
- 信号模型：以BPSK（Binary Phase-Shift Keying）为例，建立包含高斯白噪声（AWGN, Additive White Gaussian Noise）和多径效应的接收信号模型（公式1-4）。
- 数据集：
- RadioMod-5.8G-160k：自主采集的5.8 GHz频段信号，包含20种调制类型（如16PSK、128QAM、UAV视频传输信号等），SNR范围-18 dB至12 dB，样本量16万。
- HisarMod2019.1：公开数据集，含26类调制信号，SNR范围-20 dB至18 dB，样本量78万。
- 设备：采用145D-V信号发生器生成标准调制信号，HyperLog 3080X天线接收，4051B频谱仪进行模数转换。

1. DFCT-Net网络架构

   • 时域特征提取（CLCE-Net）：
     
     • 并行卷积层：使用1×33和1×17双核卷积提取多尺度特征，结合LeakyReLU激活函数与DropConnect防止过拟合。
       
     • 高效通道注意力（ECA, Efficient Channel Attention）：动态调整通道权重，增强特征表达能力（公式10-12）。
       
     • 双向LSTM：捕获时序依赖关系，输出时域特征向量（公式15-17）。
       
   • 频域特征处理：
     
     • 去噪自编码器（D-AE）：通过1D卷积编码器-解码器结构抑制噪声，提升频谱清晰度（图8）。实验显示去噪后RadioMod数据集分类准确率提升3.03%。
       
     • Transformer-CNN融合网络（TConvF-Net）：
       
     • 可分离注意力卷积Transformer（SACT）：结合局部卷积特征与全局注意力机制，通过多头卷积前馈网络（FMHC）增强长程依赖建模（图9-10）。
       
   • 跨时频融合（CTF）：将时域（CLCE-Net）与频域（TConvF-Net）特征拼接，经全连接层输出分类结果（公式43-45）。

2. 实验设计

   • 超参数：AdamW优化器，初始学习率0.001，L2正则化系数0.06，早停策略（耐心值6）。
     
   • 平台：NVIDIA A100 GPU，PyTorch框架。
     
   • 对比方法：包括CLDNN、GRU、IC-AMCNet等传统深度学习模型及SVM。

主要结果
1. 性能对比：
- RadioMod数据集：DFCT-Net平均准确率79.45%，优于次优模型MC-LDNN（75.44%）。在-18 dB极低SNR下，准确率29.35%，显著高于SVM-1（4.58%）和GRU（28.55%）。
- HisarMod数据集：平均准确率82.97%，较IC-AMCNet提升3.41%。
2. 消融实验：
- CLCE-Net移除：时域特征建模能力下降，准确率降低6.55%（RadioMod）。
- SACT移除：频域全局特征缺失，准确率骤降14.67%。
3. 可视化分析：
- 卷积核响应：CLCE-Net的浅层卷积核捕捉波形局部特征，深层提取高阶时频模式（图17）。
- 混淆矩阵：UAV2与UAV3因协议相似性存在11%误分类，而FSK、PAM类信号识别率超90%（图16）。

结论与价值
1. 科学价值：
- 提出首个结合卷积LSTM与时频Transformer的AMR框架，解决了动态信道与低SNR下的特征提取难题。
- 通过无监督D-AE去噪与跨域融合，为开放电磁环境下的信号识别提供新范式。
2. 应用价值：
- 可部署于无人机通信监控系统，提升非协作信号解调效率。
3. 局限性：
- 计算复杂度较高（训练时间61秒/epoch），需进一步优化；
- 未涵盖开放集识别（Open-Set Recognition），未来将引入对比学习扩展未知调制类型检测能力。

研究亮点
1. 方法创新：
- CLCE-Net：首次在AMR中集成ECA与双向LSTM，实现时域通道自适应增强。
- SACT模块：通过可分离注意力机制平衡局部-全局特征，在-18 dB SNR下仍保持66.17%准确率。
2. 数据贡献：发布的RadioMod-5.8G-160k填补了5.8 GHz频段无人机信号数据空白。
3. 理论突破：揭示了时频域特征互补性对AMR的增益机制，为后续多模态信号处理研究奠定基础。

其他价值
研究团队开源了数据集构建的GNU Radio动态信道控制代码，为复现实验提供支持。未来工作将聚焦模型轻量化与开放集识别扩展。