基于双流卷积Transformer网络的无人机通信系统自动调制识别研究

本文提出了一种创新的双流卷积Transformer网络(DFCT-Net)，通过结合时域CLCE-Net（卷积LSTM通道增强网络）和频域TConvF-Net（卷积-Transformer融合网络），有效解决了无人机(UAV)通信系统中低信噪比(SNR<-18dB)信号的自动调制识别(AMR)难题。该网络采用无监督卷积自编码器进行频谱去噪，在RadioMod-5.8G-160K和HisarMod2019.1数据集上实现了SOTA性能，为复杂电磁环境下的FHSS（跳频扩频）信号识别提供了新范式。

　　

Highlight

本研究亮点：

1. 首创性将卷积LSTM与通道注意力(ECA)结合构建CLCE-Net，可自适应增强时域信号的时空特征；

2. 创新设计TConvF-Net，通过CNN-Transformer混合架构实现频域信号的局部-全局特征协同分析；

3. 采用无监督卷积自编码器(DAE)对频谱去噪，显著提升低信噪比(SNR<-10dB)场景下的识别鲁棒性。

Architecture of Proposed Network

如图4所示，DFCT-Net采用双流架构：时域支路通过CLCE-Net提取信号动态特性，其核心是5层因果卷积与BiLSTM的级联结构，配合ECA模块实现通道维度的智能加权；频域支路则通过TConvF-Net的CNN-Transformer混合模块（包含3个ResNet块和4头注意力层）捕捉频谱的局部畸变与全局模式。两路特征经CTF模块进行跨域融合，最终通过线性分类器输出调制类型预测。

Dataset and Experimental Results

实验部分：在自建数据集RadioMod-5.8G-160K（含20类5.8GHz频段UAV信号）上，DFCT-Net在-6dB SNR时准确率达92.3%，较基准模型提升11.5%。消融实验证实：ECA模块使时域识别准确率提升7.2%，而频谱去噪模块将频域特征分类F1-score提高9.8%。特别在FHSS信号识别任务中，对BPSK/QAM混合调制信号的识别准确率突破85%。

Conclusions

结论表明：DFCT-Net通过时频域联合分析策略，在-18dB~12dB宽动态范围内保持83.7%的平均识别准确率，参数效率较传统方法提升3.2倍。该技术为无人机在复杂电磁对抗环境中的可靠通信提供了突破性解决方案，已申请国家发明专利。