引用格式：刘高辉， 顾家华. 一种基于DRSNGAN的通信信号调制识别方法［J］.网络安全与数据治理，2025，44（5）：35-41.
引言
自动调制识别是指通过对接收到的信号进行特征提取和分析，以自动识别和分类不同的调制类型，其在无线通信、雷达系统和信号处理等领域中具有重要的应用［1］。通过自动调制识别，系统能够快速准确地识别出发送端使用的调制类型，从而帮助优化信号处理和通信系统的性能。随着无线通信技术的不断发展，信号的调制愈加多样，电磁环境也变得更加错综复杂，因此，探索实时高效的调制识别技术具有重要的现实意义。
传统调制识别方法受限于先验知识依赖、计算复杂度高及特征提取主观性强等问题，难以满足现代通信系统对灵活性、鲁棒性和自适应性的需求［2-4］。因此，自动调制识别技术及其与机器学习，特别是深度学习的结合，为这一难题提供了新的解决方案。深度学习以其强大的自动特征提取能力、端到端学习机制及对先验知识要求的低门槛，成为自动调制识别领域的研究热点［5-7］。文献［8］将改进的卷积神经网络(Convolutional Neural Networks, CNN)和长短期记忆网络(Long ShortTerm Memory, LSTM)相结合，以进一步提高性能并降低深度学习框架的复杂性，结果表明LSTM能更好地利用连续无线信号样本之间的时间特征，进一步提高了对高阶信号的分类能力；文献［9］结合深度残差收缩网络(Deep Residual Shrinkage Network, DRSN)在信号降噪和提升训练效率方面的显著优势，以及门控循环单元在序列特征提取方面的优秀性能，设计了一种轻量化的特征提取和分类识别模型，既保证了信号识别准确率，又显著降低了模型参数量和运算复杂度。
然而，深度神经网络需要大量样本来进行训练［10］，在无线电信号调制识别任务中常常存在样本量不足的情况［11］。为了解决这一问题，近年来学术界和工业界对小样本条件下的调制识别方法进行了广泛研究。生成对抗网络（Generative Adversarial Networks，GAN）作为深度学习的一种前沿技术，为调制识别领域带来了新的可能性。在调制识别中，GAN可用于生成多样化的调制信号数据，解决高质量数据稀缺的问题，同时增强模型的泛化能力。此外，GAN还能通过模拟低信噪比环境下的信号变化，帮助模型学习在复杂噪声条件下的有效特征，提升识别性能。文献［12］从数据生成的角度出发，首次将GAN应用于数据的分类识别。文献［13］提出了一种在小样本集条件下基于关系网络的水声通信信号调制识别方法，该方法设计了一种基于功率谱和关系网络的调制识别模型，该模型通过在不同通道中构建小样本训练任务进行优化，这种训练模式提高了识别方法在目标海域只有少量标记样本可用时快速分类的能力。文献［14］提出了一种基于元学习的小样本调制识别算法，该方法设计了一种由CNN和LSTM并联组成的混合特征并行网络，在小样本和高信噪比条件下有效地提高了调制识别的性能，但该方法在低信噪比条件下识别率明显降低。
针对上述问题，本文提出了一种基于DRSN-GAN的通信信号调制识别方法。首先生成网络利用噪声生成高质量的生成数据，将数据集进行扩充；其次设计了一种由残差收缩单元组成的 DRSN作为判别网络，利用DRSN中独特的软阈值化算法与注意力机制优化特征提取，以增强在低信噪比环境下的识别效果。实验表明，本文提出的方法在小样本和低信噪比条件下识别准确率提升效果显著。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006545
作者信息：
刘高辉， 顾家华
（西安理工大学自动化与信息工程学院，陕西西安710048）
