Automatic modulation recognition (AMR) of radio signals is becoming increasingly important due to its key role in wireless communication system management, monitoring, and control. In this paper, we propose an end-to-end AMR framework based on deep learning (DL), named CCNN-Atten. First, the complex-valued convolutional neural network (CCNN) extracts the features of the radio signal, and the feature calibration (FC) module selectively enhances the important features and suppresses irrelevant features. Then, a temporal context capture (TCC) module uses a modified multi-head attention mechanism (MHA) to capture the temporal dependence in the extracted features. The improved MHA mechanism, as a kind of self-attention mechanism, deploys causal convolutions to encode the temporal information of the input features and captures their local temporal relationship. In addition, due to the limited hardware resources in the real scenarios, we also considered a good compromise between recognition accuracy and computational complexity. Experiments were performed with the RadioML2016.10B, RadioML2016.10A, and RadioML2018.01A datasets, demonstrating the ability of the proposed CCNN-Atten to learn more robust features than other state-of-the-art (SOTA) techniques with 1 ~ 10% higher accuracy and a lower computational complexity than the SOTA models. The experimental results also show that CCNN-Atten achieves outstanding performance in dealing with radio signals with a lower sampling rate and small signal observation window.

中文翻译：

---

一种基于复值CNN和自注意力机制的无线电信号识别方法

无线电信号的自动调制识别 (AMR) 由于其在无线通信系统管理、监视和控制中的关键作用而变得越来越重要。在本文中，我们提出了一种基于深度学习 (DL) 的端到端 AMR 框架，名为 CCNN-Atten。首先，复值卷积神经网络（CCNN）提取无线电信号的特征，特征校准（FC）模块选择性地增强重要特征并抑制不相关特征。然后，时间上下文捕获 (TCC) 模块使用改进的多头注意力机制 (MHA) 来捕获提取特征中的时间依赖性。改进后的 MHA 机制，作为一种自注意力机制，部署因果卷积来编码输入特征的时间信息并捕获它们的局部时间关系。此外，由于实际场景中硬件资源有限，我们还考虑了识别精度和计算复杂度之间的良好折衷。使用 RadioML2016.10B、RadioML2016.10A 和 RadioML2018.01A 数据集进行了实验，证明了所提出的 CCNN-Atten 比其他最先进 (SOTA) 技术具有 1 ~ 10比 SOTA 模型更高的准确度和更低的计算复杂度。实验结果还表明，CCNN-Atten 在处理具有较低采样率和小信号观察窗口的无线电信号方面表现出色。由于实际场景中硬件资源有限，我们也考虑了识别精度和计算复杂度之间的良好折衷。使用 RadioML2016.10B、RadioML2016.10A 和 RadioML2018.01A 数据集进行了实验，证明了所提出的 CCNN-Atten 比其他最先进 (SOTA) 技术具有 1 ~ 10比 SOTA 模型更高的准确度和更低的计算复杂度。实验结果还表明，CCNN-Atten 在处理具有较低采样率和小信号观察窗口的无线电信号方面表现出色。由于实际场景中硬件资源有限，我们也考虑了识别精度和计算复杂度之间的良好折衷。使用 RadioML2016.10B、RadioML2016.10A 和 RadioML2018.01A 数据集进行了实验，证明了所提出的 CCNN-Atten 比其他最先进 (SOTA) 技术具有 1 ~ 10比 SOTA 模型更高的准确度和更低的计算复杂度。实验结果还表明，CCNN-Atten 在处理具有较低采样率和小信号观察窗口的无线电信号方面表现出色。01A 数据集，展示了所提出的 CCNN-Atten 比其他最先进的 (SOTA) 技术学习更强大的特征的能力，其准确度比 SOTA 模型高 1 ~ 10%，计算复杂度更低。实验结果还表明，CCNN-Atten 在处理具有较低采样率和小信号观察窗口的无线电信号方面表现出色。01A 数据集，展示了所提出的 CCNN-Atten 比其他最先进的 (SOTA) 技术学习更强大的特征的能力，其准确度比 SOTA 模型高 1 ~ 10%，计算复杂度更低。实验结果还表明，CCNN-Atten 在处理具有较低采样率和小信号观察窗口的无线电信号方面表现出色。