徐 強(qiáng)，李保國(guó)，王 翔，鄧 文，杜志毅

（國(guó)防科技大學(xué)電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙410073）

0 引言

信號(hào)調(diào)制識(shí)別（MR）作為電子偵察系統(tǒng)需要完成的首要任務(wù)之一，位于信號(hào)檢測(cè)和信號(hào)解調(diào)之間，它的目的是在有限或者沒(méi)有先驗(yàn)信息的條件下，識(shí)別接收到的未知信號(hào)調(diào)制方式，為電子偵察后續(xù)工作流程中的信號(hào)解調(diào)和情報(bào)挖掘打下基礎(chǔ)[1]。傳統(tǒng)的調(diào)制識(shí)別主要使用基于最大似然和基于特征的方法，但這些方法存在難以適應(yīng)不斷發(fā)展的復(fù)雜信號(hào)調(diào)制和嚴(yán)重依賴于人工設(shè)置門限的問(wèn)題。為應(yīng)對(duì)這些問(wèn)題和挑戰(zhàn)，近些年研究人員將深度學(xué)習(xí)引入非合作通信中的調(diào)制識(shí)別中，賦予信號(hào)調(diào)制方式識(shí)別技術(shù)以機(jī)器智能，深度學(xué)習(xí)的優(yōu)勢(shì)在于無(wú)需人工設(shè)計(jì)、提取信號(hào)特征，神經(jīng)網(wǎng)絡(luò)可自動(dòng)化進(jìn)行信號(hào)特征提取及信號(hào)分類，其提取到的信號(hào)特征具有更強(qiáng)的魯棒性和泛化能力。各式各樣的深度學(xué)習(xí)技術(shù)，包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)、遞歸神經(jīng)網(wǎng)絡(luò)(RNN)和一些混合模型，應(yīng)用于調(diào)制識(shí)別中已顯示出優(yōu)于傳統(tǒng)方法的性能。

本文主要是針對(duì)實(shí)際電子偵察場(chǎng)景中源域調(diào)制數(shù)據(jù)和目標(biāo)域調(diào)制數(shù)據(jù)因?yàn)榇a速率的差異而導(dǎo)致數(shù)據(jù)分布不同，預(yù)先訓(xùn)練的深度學(xué)習(xí)模型失配，智能調(diào)制識(shí)別算法性能急劇惡化且大量無(wú)標(biāo)注目標(biāo)域調(diào)制數(shù)據(jù)未被利用的問(wèn)題，利用遷移學(xué)習(xí)技術(shù)進(jìn)行知識(shí)遷移，結(jié)合無(wú)標(biāo)簽?zāi)繕?biāo)域調(diào)制數(shù)據(jù)參與訓(xùn)練，充分挖掘源域和目標(biāo)域的相關(guān)性，使得源域調(diào)制數(shù)據(jù)訓(xùn)練獲得的知識(shí)能有效地提升目標(biāo)域調(diào)制數(shù)據(jù)的性能。本文在前人研究的基礎(chǔ)上，采用一種基于多模態(tài)域?qū)股窠?jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別算法，在域?qū)股窠?jīng)網(wǎng)絡(luò)基礎(chǔ)上同時(shí)使用時(shí)域和頻域的多模態(tài)信息對(duì)齊源域和目標(biāo)域調(diào)制信號(hào)的數(shù)據(jù)分布，以提升調(diào)制識(shí)別算法性能，并用仿真結(jié)果驗(yàn)證識(shí)別算法的有效性。

1 研究現(xiàn)狀分析

目前已經(jīng)有少量的相關(guān)研究工作，文獻(xiàn)[2]表明目前的MR方法都是基于發(fā)射機(jī)技術(shù)的先驗(yàn)知識(shí)（符號(hào)持續(xù)時(shí)間、帶寬、上采樣和信號(hào)整形）和信道條件下設(shè)計(jì)的，一旦應(yīng)用于不同的信道條件/發(fā)射機(jī)特性，其識(shí)別性能將會(huì)顯著下降，因此提出空間變換網(wǎng)絡(luò)（STN）和嵌入輕量ResNeXt分類器，在只有5%有標(biāo)簽且包含20個(gè)復(fù)雜高階調(diào)制的大型數(shù)據(jù)集上提高了10%～30%的平均識(shí)別精度。同時(shí)研究了不同的信號(hào)和信道參數(shù)對(duì)調(diào)制識(shí)別系統(tǒng)的影響，并給出可能的優(yōu)化方向，使基于深度學(xué)習(xí)的方法對(duì)于看不見(jiàn)的信號(hào)形狀更加魯棒。文獻(xiàn)[3]在Deepsig公開(kāi)的實(shí)采調(diào)制信號(hào)數(shù)據(jù)集[4]上使用DANN[5]域?qū)咕W(wǎng)絡(luò)遷移高信噪比條件信號(hào)（18～30 d B）的特征輔助訓(xùn)練低信噪比條件（-6～6 dB）的信號(hào)特征，實(shí)驗(yàn)驗(yàn)證該算法是可行有效的，但隨著源域與目標(biāo)域信噪比差異過(guò)大，識(shí)別準(zhǔn)確率仍有所下降。文獻(xiàn)[6]借鑒了基于差異的域適應(yīng)技術(shù)，采用VGG16提取信號(hào)小波變換后系數(shù)圖像特征并用自編碼器對(duì)高維度的特征進(jìn)行降維處理，隨后計(jì)算訓(xùn)練樣本特征與測(cè)試樣本特征之間的CORAL損失，最后聯(lián)合優(yōu)化分類損失和CORAL損失使模型達(dá)到最優(yōu)。實(shí)驗(yàn)結(jié)果表明，在信號(hào)類別存在差異或信道環(huán)境存在差異的條件下，引入域適應(yīng)技術(shù)可提高待測(cè)信號(hào)識(shí)別準(zhǔn)確率5%以上。文獻(xiàn)[7]借鑒ADDA網(wǎng)絡(luò)[8]，提出了一個(gè)對(duì)抗式遷移學(xué)習(xí)架構(gòu)(ATLA)以解決采樣率不同引起的數(shù)據(jù)分布差異而導(dǎo)致的模型性能急劇惡化的問(wèn)題，用1/10的訓(xùn)練數(shù)據(jù)，提升的準(zhǔn)確率高達(dá)17.3%。

文獻(xiàn)[2]研究了與源域不同分布的目標(biāo)域有少量標(biāo)簽情況下如何提高網(wǎng)絡(luò)的泛化性和魯棒性；文獻(xiàn)[3,6-7]在開(kāi)展基于域適應(yīng)的調(diào)制識(shí)別算法研究時(shí)只考慮了信號(hào)的單模態(tài)信息（僅使用信號(hào)的單一維度特征，比如時(shí)域或者頻域信息），忽略了將信號(hào)時(shí)域和頻域的多模態(tài)信息（使用信號(hào)的多個(gè)維度特征，將時(shí)域、頻域及其他變換域信息）融合后進(jìn)行域適應(yīng)而獲得的互補(bǔ)增益[9]。為了解決這個(gè)問(wèn)題，本文提出一種基于多模態(tài)域?qū)股窠?jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別算法，在域?qū)股窠?jīng)網(wǎng)絡(luò)基礎(chǔ)上同時(shí)使用時(shí)域和頻域的多模態(tài)信息對(duì)齊源域和目標(biāo)域調(diào)制信號(hào)的數(shù)據(jù)分布以提升調(diào)制識(shí)別算法性能，并與文獻(xiàn)[3]中的DANN網(wǎng)絡(luò)、源域訓(xùn)練目標(biāo)域直接測(cè)試、有監(jiān)督學(xué)習(xí)進(jìn)行了性能對(duì)比。

2 信號(hào)與識(shí)別模型

2.1 信號(hào)模型和數(shù)據(jù)預(yù)處理

數(shù)字調(diào)制技術(shù)允許數(shù)字低頻基帶信號(hào)在高頻載波波形上傳輸，其可以修改載波信號(hào)的不同波形特征，包括幅度（MASK）、頻率（MFSK）、相位（MPSK）以及幅度和相位的組合（MQAM、MAPSK）。在接收機(jī)處，必須結(jié)合特定的調(diào)制信號(hào)特性和經(jīng)過(guò)訓(xùn)練的分類器，將調(diào)制信號(hào)分配給最合適的調(diào)制類別。接收到的無(wú)線電信號(hào)y(t)的復(fù)包絡(luò)可以寫成：

式中,n(t)表示加性高斯白噪聲；g(t)表示等效濾波器，具體包括成型濾波、信道濾波和匹配濾波；an表示發(fā)送端所發(fā)送的符號(hào)序列。不同的調(diào)制方式，符號(hào)序列呈現(xiàn)的樣式也不盡相同。

本文主要考慮8種數(shù)字調(diào)制信號(hào)，分別為8PSK、BPSK、CPFSK、GFSK、PAM 4、QAM 16、QAM 64和QPSK。其中數(shù)據(jù)輸入包括調(diào)制信號(hào)時(shí)域和頻域的多模態(tài)信息，仿真產(chǎn)生的復(fù)基帶信號(hào)為y(n),n=1,2,3,…,N，則I路和Q路分別為y(n)的實(shí)部和虛部：

將I路和Q路堆疊得到時(shí)域模態(tài)F1：

頻域模態(tài)信息通過(guò)提取信號(hào)二次方譜和四次方譜得到，二次方譜和四次方譜計(jì)算方法如下：

2.2 遷移學(xué)習(xí)和域適應(yīng)

遷移學(xué)習(xí)被賦予這樣一個(gè)任務(wù)：從以前的任務(wù)當(dāng)中去學(xué)習(xí)知識(shí)或經(jīng)驗(yàn)，并應(yīng)用于新的任務(wù)當(dāng)中。換句話說(shuō)，遷移學(xué)習(xí)目的是從一個(gè)或多個(gè)源領(lǐng)域中抽取知識(shí)、經(jīng)驗(yàn)，然后應(yīng)用于一個(gè)目標(biāo)領(lǐng)域當(dāng)中去。對(duì)于常規(guī)機(jī)器學(xué)習(xí)和遷移學(xué)習(xí)的差異和域適應(yīng)的定位如圖1所示，通常將遷移學(xué)習(xí)技術(shù)分為三類:歸納式（inductive）、直推式（transductive）和無(wú)監(jiān)督（unsupervised）。歸納式遷移學(xué)習(xí)針對(duì)的是源域和目標(biāo)域數(shù)據(jù)分布相同，源域和目標(biāo)域的任務(wù)不同的情況。直推式遷移學(xué)習(xí)針對(duì)的是源域和目標(biāo)域數(shù)據(jù)分布不同，源域和目標(biāo)域的任務(wù)相同的情況。無(wú)監(jiān)督遷移學(xué)習(xí)針對(duì)的是源域和目標(biāo)域數(shù)據(jù)分布不同，源域和目標(biāo)域的任務(wù)不同的情況，其中域適應(yīng)屬于直推式遷移學(xué)習(xí)。

圖1 常規(guī)機(jī)器學(xué)習(xí)和遷移學(xué)習(xí)的差異和域適應(yīng)的定位

本文研究的是基于深度無(wú)監(jiān)督同構(gòu)對(duì)抗域適應(yīng)的調(diào)制識(shí)別算法，利用深度域適應(yīng)[10]中的域?qū)辜夹g(shù)，解決調(diào)制識(shí)別任務(wù)（任務(wù)相同）中源域調(diào)制信號(hào)有標(biāo)簽，目標(biāo)域調(diào)制信號(hào)無(wú)標(biāo)簽（無(wú)監(jiān)督）且源域和目標(biāo)域調(diào)制類型相同（同構(gòu)），數(shù)據(jù)分布不同的調(diào)制識(shí)別問(wèn)題，其中不同域之間的調(diào)制數(shù)據(jù)分布不同主要體現(xiàn)在碼速率的差異上。

2.3 基于多模態(tài)域?qū)股窠?jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別算法

使用基于單模態(tài)DANN的域適應(yīng)調(diào)制識(shí)別網(wǎng)路作為性能對(duì)比測(cè)試網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示。網(wǎng)絡(luò)的輸入為F1時(shí)域單模態(tài)信息，網(wǎng)絡(luò)包括2個(gè)流向，第一條流向輸入為源域數(shù)據(jù)，是帶標(biāo)簽的數(shù)據(jù)；另一條流向輸入是目標(biāo)域數(shù)據(jù)，包含的是不帶標(biāo)簽的數(shù)據(jù)，它們使用共享的特征提取器。在源域和目標(biāo)域數(shù)據(jù)流過(guò)中間的特征提取器之后，源域數(shù)據(jù)流入標(biāo)簽分類器并計(jì)算源域標(biāo)簽分類損失，源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)共同流入域分類器并計(jì)算域分類損失，網(wǎng)絡(luò)的優(yōu)化目標(biāo)是最小化源域標(biāo)簽分類損失的同時(shí)最大化域分類損失。其中特征提取器采用文獻(xiàn)[7]中的特征提取網(wǎng)絡(luò)，特征提取器、源域標(biāo)簽分類器及域分類器的網(wǎng)絡(luò)參數(shù)分別如圖3-4所示。

圖2 基于DANN的域適應(yīng)調(diào)制識(shí)別網(wǎng)絡(luò)

圖3 特征提取器參數(shù)

本文在域?qū)股窠?jīng)網(wǎng)絡(luò)基礎(chǔ)上同時(shí)使用時(shí)域和頻域的多模態(tài)信息對(duì)齊源域和目標(biāo)域調(diào)制信號(hào)的數(shù)據(jù)分布以提升調(diào)制識(shí)別算法性能。提出的調(diào)制識(shí)別模型如圖5所示。網(wǎng)絡(luò)輸入為F1和F2時(shí)頻域多模態(tài)特征，其中源域?yàn)橛袠?biāo)簽調(diào)制數(shù)據(jù)，目標(biāo)域?yàn)闆](méi)有標(biāo)簽調(diào)制數(shù)據(jù)，識(shí)別算法訓(xùn)練步驟為：

圖5 基于多模態(tài)域?qū)股窠?jīng)網(wǎng)絡(luò)調(diào)制識(shí)別模型

Step1：源域數(shù)據(jù)F1模態(tài)信息和目標(biāo)域F1模態(tài)信息通過(guò)特征提取器分別生成256維隱藏層特征s1和t1；

Step2：源域數(shù)據(jù)F2模態(tài)信息和目標(biāo)域F2模態(tài)信息通過(guò)特征提取器2生成256維隱藏層特征s2和t2；

Step3：s1和t1分別輸入到域分類器1進(jìn)行域分類并計(jì)算域分類損失1；

Step4：s2和t2分別輸入到域分類器2進(jìn)行域分類并計(jì)算域分類損失2；

Step5：對(duì)s1和s2實(shí)施cat操作，將特征進(jìn)行融合，將融合后的512維特征輸入源域標(biāo)簽分類器進(jìn)行源域標(biāo)簽分類并計(jì)算源域標(biāo)簽分類損失；

Step6：將源域標(biāo)簽分類損失和域分類損失1，域分類損失2相加后得到總的loss進(jìn)行梯度反向傳播，其中最終優(yōu)化目標(biāo)為：

式中，θf(wàn)1,θf(wàn)2,θy,θd2,θd2分別是特征提取器1，特征提取器2，源域標(biāo)簽分類器，域判別器1，域判別器2的參數(shù)；Gf1,Gf2,Gy,Gd1,Gd2分別是特征提取器1，特征提取器2，源域標(biāo)簽分類器，域判別器1，域判別器2；ns,nt分別是源域和目標(biāo)域樣本的數(shù)量；yi,di分別是類別標(biāo)簽和域標(biāo)簽；λ1,λ2是權(quán)重系數(shù)；域判別器1，域判別器2，源域標(biāo)簽分類器均使用交叉熵函數(shù)通過(guò)迭代訓(xùn)練使得總的loss達(dá)到最小，模型達(dá)到最優(yōu)，使用訓(xùn)練好的特征分類器和源域標(biāo)簽分類器進(jìn)行目標(biāo)域識(shí)別分類。其中特征提取器1和2的結(jié)構(gòu)相同，仍采用文獻(xiàn)[7]中的特征提取網(wǎng)絡(luò)，如圖3所示，域分類器1和域分類器2的結(jié)構(gòu)相同，其網(wǎng)絡(luò)參數(shù)如圖4（左）所示，源域標(biāo)簽分類器網(wǎng)絡(luò)參數(shù)如圖4（右）所示，這里源域標(biāo)簽分類器的輸入為特征融合后的512維而不再是256維。

圖4 域分類器參數(shù)（左）和源域標(biāo)簽分類器參數(shù)（右）

3 仿真驗(yàn)證及分析

3.1 數(shù)據(jù)集制作

本小節(jié)主要介紹訓(xùn)練和測(cè)試數(shù)據(jù)集的生成，本文數(shù)據(jù)集制作流程采用文獻(xiàn)[4]中的方式。本文設(shè)置了萊斯多徑信道環(huán)境進(jìn)行數(shù)據(jù)集的制作以研究在復(fù)雜電磁環(huán)境中域適應(yīng)技術(shù)性能。

1）數(shù)據(jù)源

數(shù)字調(diào)制的數(shù)據(jù)源使用莎士比亞的整個(gè)古登堡作品的ASCII碼產(chǎn)生，使用白化隨機(jī)以確保等符號(hào)和比特。

2）調(diào)制

隨機(jī)比特序列依照相應(yīng)調(diào)制方式進(jìn)行基帶星座映射，再進(jìn)行上采樣和脈沖成型。本文所需識(shí)別調(diào)制類型包含8種常見(jiàn)數(shù)字調(diào)制信號(hào)，按順序分別為8PSK、BPSK、CPFSK、GFSK、PAM 4、QAM 16、QAM 64，QPSK，其中樣本長(zhǎng)度為2×128，其中2代表IQ 2路信號(hào)，128代表樣本長(zhǎng)度。

3）通過(guò)信道

信道模型如圖6所示，包括采樣率偏移、中心頻率偏移、萊斯多徑衰落、高斯白噪聲。其中產(chǎn)生數(shù)據(jù)集的相關(guān)參數(shù)如中碼速率主要由sps（sample per symbol）調(diào)節(jié)，當(dāng)采樣率固定，sps不同時(shí)，信號(hào)的碼速率也不相同，因此形成不同的域，sps=4、8、16將分別充當(dāng)源域和目標(biāo)域來(lái)進(jìn)行交叉驗(yàn)證，可組成6對(duì)源域和目標(biāo)域組合。為引用方便起見(jiàn)，分別將sps=4、8、16的3個(gè)域的數(shù)據(jù)集命名為A、B、C數(shù)據(jù)集。數(shù)據(jù)集相關(guān)參數(shù)見(jiàn)表1。

表1 數(shù)據(jù)集相關(guān)參數(shù)

圖6 信道模型

3.2 實(shí)驗(yàn)環(huán)境設(shè)置

實(shí)驗(yàn)使用深度學(xué)習(xí)的環(huán)境語(yǔ)言配置為Python 3.8.0，Pytorch 1.8.0，cuda10.2，系統(tǒng)為Windows 10專業(yè)工作站版20H2版本，硬件使用的CPU為Intel(R)Core(TM)i7-9750H，顯卡為NVIDIA GeForce GTX 1650，內(nèi)存為32 GB。batch size為1 024，類別分類器和域分類器使用Adam優(yōu)化器進(jìn)行優(yōu)化，學(xué)習(xí)率設(shè)為1e-3。

3.3 不同碼速率下域適應(yīng)模型分類性能

本小節(jié)中定義的調(diào)制識(shí)別性能指標(biāo)為：

在A、B、C數(shù)據(jù)集上分別使用3種算法進(jìn)行性能對(duì)比測(cè)試以評(píng)估提出的算法：

1）有監(jiān)督學(xué)習(xí)

稱該類方法為Supervised，即訓(xùn)練集和測(cè)試集數(shù)據(jù)分布相同時(shí)的傳統(tǒng)智能調(diào)制識(shí)別算法，這里目標(biāo)域有充分的有標(biāo)簽樣本進(jìn)行訓(xùn)練。對(duì)目標(biāo)域訓(xùn)練調(diào)制數(shù)據(jù)進(jìn)行充分訓(xùn)練后，在目標(biāo)域測(cè)試調(diào)制數(shù)據(jù)上直接進(jìn)行測(cè)試，這里又將Supervised分為兩種，即單模態(tài)Supervised和多模態(tài)Supervised，單模態(tài)Supervised的輸入為目標(biāo)域的F1時(shí)域模態(tài)特征，識(shí)別網(wǎng)絡(luò)使用DANN中的特征提取器和源域標(biāo)簽分類器，剔除域分類器，最終優(yōu)化目標(biāo)僅包含標(biāo)簽分類損失；多模態(tài)Supervised的輸入為目標(biāo)域的F1時(shí)域和F 2頻域多模態(tài)特征，識(shí)別網(wǎng)絡(luò)使用本文提出的網(wǎng)絡(luò)中的特征提取器1、特征提取器2、特征融合和源域標(biāo)簽分類器，同樣剔除域分類器1和域分類器2，最終優(yōu)化目標(biāo)僅包含標(biāo)簽分類損失。設(shè)置有監(jiān)督學(xué)習(xí)算法進(jìn)行性能對(duì)比測(cè)試的目的是探究域適應(yīng)的識(shí)別精度的可能上限。

2）在源域上訓(xùn)練、目標(biāo)域上直接測(cè)試

稱該類方法Source-Only，即訓(xùn)練集和測(cè)試集數(shù)據(jù)分布不相同時(shí)的傳統(tǒng)智能調(diào)制識(shí)別算法，這里的目標(biāo)域完全沒(méi)有標(biāo)簽樣本。對(duì)源域訓(xùn)練調(diào)制數(shù)據(jù)進(jìn)行充分訓(xùn)練后，在目標(biāo)域測(cè)試調(diào)制數(shù)據(jù)上直接進(jìn)行測(cè)試，這里又將Source-Only分為兩種，即單模態(tài)Source-Only和多模態(tài)Source-Only：?jiǎn)文B(tài)Source-Only的輸入為源域的F1時(shí)域模態(tài)特征，識(shí)別網(wǎng)絡(luò)使用DANN中的特征提取器和源域標(biāo)簽分類器，剔除域分類器，最終優(yōu)化目標(biāo)僅包含標(biāo)簽分類損失；多模態(tài)Source-Only的輸入為源域域的F1時(shí)域和F2頻域多模態(tài)特征，識(shí)別網(wǎng)絡(luò)使用本文提出的網(wǎng)絡(luò)中的特征提取器1、特征提取器2、特征融合和源域標(biāo)簽分類器，同樣剔除域分類器1和域分類器2，最終優(yōu)化目標(biāo)僅包含標(biāo)簽分類損失。設(shè)置該類算法進(jìn)行性能對(duì)比測(cè)試的目的是探究域適應(yīng)在解決調(diào)制識(shí)別域適應(yīng)問(wèn)題上的性能增益。

3）DANN單模態(tài)識(shí)別模型

稱該類方法DANN，即訓(xùn)練集和測(cè)試集數(shù)據(jù)分布不相同時(shí)的單模態(tài)調(diào)制識(shí)別域適應(yīng)算法，這里目標(biāo)域沒(méi)有標(biāo)簽樣本。對(duì)源域和目標(biāo)域訓(xùn)練調(diào)制數(shù)據(jù)進(jìn)行充分訓(xùn)練后，在目標(biāo)域測(cè)試調(diào)制數(shù)據(jù)上直接進(jìn)行測(cè)試，這時(shí)輸入為源域的F1時(shí)域模態(tài)特征，識(shí)別網(wǎng)絡(luò)如圖2所示。

實(shí)驗(yàn)得到的結(jié)果如表2所示，表中所示識(shí)別率均表示在目標(biāo)域測(cè)試集上進(jìn)行測(cè)試得到。從實(shí)驗(yàn)結(jié)果中可以看出，本文提出的網(wǎng)絡(luò)在大多數(shù)調(diào)制識(shí)別跨域適應(yīng)任務(wù)上優(yōu)于Source-Only和DANN方法，其中相比于單模態(tài)Source-Only最大提升了26.3%的識(shí)別精度，相比于多模態(tài)Source-Only最大提升了20%的識(shí)別精度，相比于DANN方法提升了2.5%～4%的識(shí)別精度。這些實(shí)驗(yàn)結(jié)果表明了通過(guò)將調(diào)制信號(hào)的多模態(tài)和域?qū)辜夹g(shù)相結(jié)合可以有效學(xué)習(xí)到更加全面的域間相關(guān)信息并進(jìn)行領(lǐng)域遷移。

表2 結(jié)果分析對(duì)比

4 結(jié)束語(yǔ)

本文提出一種基于多模態(tài)域?qū)股窠?jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別算法，在域?qū)股窠?jīng)網(wǎng)絡(luò)基礎(chǔ)上同時(shí)使用時(shí)域和頻域的多模態(tài)信息對(duì)齊源域和目標(biāo)域調(diào)制信號(hào)的數(shù)據(jù)分布,以提升調(diào)制識(shí)別算法性能。仿真實(shí)驗(yàn)表明，提出的算法相比于在源域訓(xùn)練、目標(biāo)域直接測(cè)試的方法總識(shí)別率最大提高26.3%，相比于單模態(tài)域適應(yīng)調(diào)制識(shí)別算法總識(shí)別率提高2.5%～4%，證明基于多模態(tài)的深度域?qū)股窠?jīng)網(wǎng)絡(luò)在源域和目標(biāo)域的數(shù)據(jù)分布不同時(shí)仍有較好的效果，具有較好的應(yīng)用前景和研究?jī)r(jià)值。