数字调制信号的自动识别指的是接收到数字调制信号以后,通过对码元信号的幅度、频率、相位等特征进行分析,自动识别出信号调制类型的一种技术。目前数字调制信号的自动识别技术主要分为两大类,一类是通过计算信号的高阶统计特征,设置合适的阈值进行划分,进而确定出信号调制类型的方法;另外一种是基于特征提取的方法,通过某些手段对信号进行特征提取,获得关于调制的高阶特征之后输入到分类器中,完成对调制信号的分类。比如目前大热的神经网络模型,其本质就是充当了一个特征提取和分类器的角色,在本文的研究中,通过对目前比较主流的经典网络模型如AlexNet、GoogLeNet、ResNet等进行分析,结合数字调制信号分类任务进行特定的改进,比如在AlexNet中通过用LSTM长短时记忆网络模块对调制信号的时序特征进行提取,提供给分类器更好的分类依据,增加识别的准确率和抗干扰性能;为了能够对分类模型进行边缘部署,本文采用了参数组合优化的思想,将网络剪枝方法看作是一个对损失函数影响最小的参数组合优化问题,并且为了简化计算,用裁剪参数处的泰勒展开近似损失函数的变化情况,而其泰勒展开式其实就是裁剪参数处梯度值和相应激活值的乘积和;在参数重要性评估方面,本文采用了基于通道重要性的评估方法,即裁剪的最小粒度为特征通道,并对固定参数的裁剪方法进行了优化,提出了准确率冗余比的概念,并利用准确率冗余比动态调整裁剪策略,这在以保留模型性能为目的裁剪中有着极大的作用,其充分平衡了模型准确率和模型复杂度之间的关系,能够近似获得压缩模型的全局最优参数组,对于实际的边缘部署有着一定意义。本文最后对裁剪前后模型的前向推理时间进行了对比,结果表明,经过裁剪的模型能够在损失少量精度的情况下大幅度的缩短计算耗时。