面向6G无人机网络的超轻量卷积神经网络自动调制识别研究

《IEEE Latin America Transactions》：A Super Light Convolutional Neural Network for Automatic Modulation Recognition in Unmanned Aerial Vehicles based 6G Wireless Network

本文推荐一种面向6G无人机通信的自动调制识别（AMR）新方法。针对无人机资源受限场景，研究团队提出超轻量卷积神经网络（SLCNN），通过优化卷积层结构、引入高斯噪声与丢弃层，在HisarMod 2019.1数据集上实现98.50%分类精度，较传统CLDNN、ResNet等模型显著降低计算开销，并通过Jetson Orin Nano硬件验证了实时部署可行性，为动态无线环境下的无人机通信提供了高效解决方案。

　　

随着第六代移动通信（6G）技术的快速发展，无人机（Unmanned Aerial Vehicles, UAV）作为空中移动基站已成为提升网络覆盖与应急通信能力的关键载体。然而，在动态复杂的无线环境中，无人机需要实时识别接收信号的调制格式以保障通信可靠性，这对计算资源受限的机载平台提出了严峻挑战。传统基于深度学习的自动调制识别（Automatic Modulation Recognition, AMR）方法虽精度较高，但模型复杂度和计算成本往往难以满足无人机对低功耗、实时处理的严苛需求。

为破解这一难题，印度国立技术学院梅加拉亚分校的Debbarni Sarkar等人提出了一种超轻量卷积神经网络（Super Light Convolutional Neural Network, SLCNN），相关成果发表于《IEEE Latin America Transactions》。该研究聚焦于如何在保证高识别精度的同时，大幅降低模型复杂度，使其适用于资源受限的无人机平台。

研究团队首先系统分析了现有AMR方法的局限性：似然比方法计算量大，特征提取方法依赖人工设计特征且泛化能力不足；而深度学习模型如CLDNN（Convolutional Long Short-Term Memory Deep Neural Network）、ResNet（Residual Network）等虽精度优异，但参数规模和推理时间难以满足无人机实时处理需求。为此，SLCNN采用精简架构设计，仅包含12层网络，通过减少卷积层数量、缩小滤波器尺寸、结合池化操作，并引入高斯噪声层和丢弃层（Dropout）增强泛化能力。

在技术方法层面，作者基于TensorFlow与Keras框架，使用包含26种调制类型、20个信噪比（SNR）条件的HisarMod 2019.1数据集进行训练与验证。模型输入为2×1024的IQ信号向量，通过四层二维卷积层逐级提取特征，其中前两层使用32个滤波器（核尺寸1×8和1×4），后两层增至64个滤波器（核尺寸1×8），辅以ReLU激活函数和最大池化操作。全连接层后接入高斯噪声层（标准差为1）和丢弃率为0.45的丢弃层，最终通过Softmax函数输出分类概率。所有实验均在配备NVIDIA Quadro RTX 5000 GPU的工作站完成，并额外在Jetson Orin Nano嵌入式平台进行部署验证。

研究结果部分，论文通过多维度对比实验验证了SLCNN的优越性：

1. 识别精度与泛化能力

在-20 dB至+18 dB的SNR范围内，SLCNN在HisarMod 2019.1数据集上整体识别精度达98.50%，显著高于ResNet（97.8%）、CLDNN（93.9%）等基线模型。尤其在低SNR区间（<-6 dB），SLCNN表现出更快的精度提升趋势，说明其对噪声环境具有更强鲁棒性。进一步跨数据集测试表明，该模型在RML 2016.10a、2016.10b和2018.01a数据集上均保持领先性能。

2. 混淆矩阵分析

如图9所示，在-6 dB低信噪比下，2FSK、AM-DSB等调制方式识别率已超85%，而QPSK、32PSK等高阶调制识别率约55%；当SNR升至10 dB时，除AM-USB（91%）和AM-LSB（71%）因频谱特征相似存在误判外，其余24种调制识别率均接近100%。

3. 计算效率优化

SLCNN的单样本推理时间仅49毫秒，较ResNet（393毫秒）和CLDNN（210毫秒）提升约4-8倍。在Jetson Orin Nano上的硬件测试进一步显示，其INT8量化版本吞吐量达2124.7 QPS（Queries Per Second），延迟低至0.49毫秒，为CLDNN模型的1.7倍。

4. 超参数敏感性分析

学习率与丢弃率的调优实验（图7）表明，SLCNN在学习率为0.001、丢弃率为0.45时达到最优平衡，过高或过低的参数均会导致模型收敛缓慢或泛化能力下降。

结论部分强调，SLCNN通过架构轻量化与正则化技术协同设计，实现了精度与效率的均衡，为6G无人机通信系统提供了一种可实际部署的AMR解决方案。其优势在于：一是采用小核卷积组合兼顾局部细节与全局特征提取；二是高斯噪声与丢弃层有效抑制过拟合；三是模型参数精简显著降低能耗，延长无人机续航。未来工作可进一步探索非高斯噪声环境下的自适应优化策略，以及不同核尺寸组合对复杂调制信号的适应性。