深度学习与信号自动识别

基于多模态信息的深度残差网络的自动调制分类

Automatic Modulation Classification Based on Deep

Residual Networks With Multimodal Information
（基于多模态信息的深度残差网络的自动调制分类）
2021年发表

主要贡献

1.提出来自多个变换域的多模态信息融合，波形频谱多模态(WSFM)方法基于深度残差网络（Resnet）
2.提出的方法可以区分 16 种调制信号，甚至适用于 256QAM 和 1024QAM 等高阶数字调制类型。

数据集

使用两个数据集来验证提出的AMC方法性能
A集合具有10个调制信号；
B集合生成包含12个数字调制信号的数据集，产生16种调制类型；比A集合有更多、更高阶的调制类型。

仿真实验

根据数据集A

1、根据集合A，模拟WSMF方法，单模态方法和传统CNNS方法的平均分类精度和信噪比的关系
2、根据A集合数据，模拟WSFM方法，单模态方法和传统CNNS方法的识别概率和信噪比的关系（-20db-20db）
3、在信噪比为6db，根据A集合数据，模拟WSFM方法，单模态方法和传统CNNS方法的混淆矩阵

根据数据集B

1、AWGN 下数据集 B 上 WSMF 方法和单峰方法与 SNR 的平均分类精度
2、WSMF 方法和单峰方法在 SNR = -20 dB 的数据集 B 上的混淆矩阵。 (a) 使用 M1、M2、M3 的 WSMF 方法的混淆矩阵，(b) 使用 M1 的单峰方法的混淆矩阵，© 使用 M2 的单峰方法的混淆矩阵，(d) 使用 M3 的单峰方法的混淆矩阵
3、WSMF 方法和单峰方法与 SNR 在 AGGN 下的数据集 B 上的平均分类精度。
4、瑞利通道下 WSMF 方法和单峰方法与 SNR 的平均分类精度。
5、不同频偏的WSMF方法和单峰方法的平均分类精度。 (a) 使用 M1 的单峰方法，(b) 提出的 WSMF 方法，© 使用 M2 的单峰方法，(d) 使用 M3 的单峰方法。

分类10种调制类型的CNNs

提议的WSMF模型

WSMF方法的正确分类概率Pd, m, monomodal方法和传统的cnn方法基于数据集a . (a) Pd的AMC-CNNs方法,(b) Pd, m与M1 monomodal方法,© Pd, m WSMF方法的M1和M2, (d) Pd, m WSMF方法与M1、M2和M3。