典型文献
基于AG-CNN的轻量级调制识别方法
文献摘要：
针对传统卷积神经网络在调制方式盲识别过程中,存在模型体积大、运算量高、无法部署至移动端等问题,提出了一种基于双注意力机制与Ghost模块的轻量级CNN模型AG-CNN(attention and Ghost convolution neural network)调制识别方法,该方法首先将调制信号映射至复空间,并根据归一化点密度对映射点进行颜色处理,得到高阶特征密度星座图;将该特征作为AG-CNN模型的输入进行学习训练,最后使用训练好的模型对接收端接收到的未知信号进行识别.实验表明,AG-CNN模型对散点为10 000的密度星座图识别率在99.95％以上,与相同层数的CNN模型相比,卷积层参数量压缩6.01倍,计算量压缩6.76倍,且相较于VGG-16、InceptionV3、ResNet-50、Shufflenet、Efficientnet等卷积网络模型,参数量与浮点数运算数下降明显,且在大幅节省学习参数量、降低模型复杂度的情况下,表现出优秀的分类性能.
文献关键词：
调制盲识别;密度星座图;深度学习;Ghost模块;双注意力机制
中图分类号：
作者姓名：
陶志勇;闫明豪;刘影;杜福廷
作者机构：
辽宁工程技术大学电子与信息工程学院 葫芦岛 125105
文献出处：
引用格式：
[1]陶志勇;闫明豪;刘影;杜福廷-.基于AG-CNN的轻量级调制识别方法)[J].电子测量与仪器学报,2022(04):241-249
A类：
密度星座图,Shufflenet,调制盲识别
B类：
AG,轻量级,调制识别,调制方式,识别过程,运算量,法部,移动端,双注意力机制,Ghost,attention,convolution,neural,network,调制信号,点密度,对映,学习训练,练好,接收端,端接,散点,识别率,层数,卷积层,参数量,计算量,VGG,InceptionV3,ResNet,Efficientnet,卷积网络,浮点数,算数,学习参数,模型复杂度,分类性能
AB值：
0.35858
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
