基于谱线特征的调制方式自动识别方法
卫星通信常用调制方式的自动识别
卫星通信常用调制方式的自动识别作者：孙兵刘毅来源：《科学大众》2019年第06期摘; ;要：在卫星通信过程中，信号的调制方式具有非常重要的作用，直接影响着卫星通信的效果。
自动识别信号调制方式，能够有效提高卫星通信的质量，保证卫星通信的稳定性。
因此，在卫星通信建设过程中，加强对信号调制方式自动识别方法的研究，对发展卫星通信具有非常重要的意义。
文章对卫星通信常用调制方式的自动识别进行系统的分析，结合当前常用的调制信号自动识别方法，提出可靠的建议，以促进我国卫星通信的发展和进步。
关键词：卫星;通信;调制方式;自动识别现如今，随着我国社会经济的快速发展以及科学技术水平的不断提高，我国在卫星通信领域的建设取得了喜人的成果。
目前，在卫星通信的调制信号自动识别方面，常用的方法有瞬时时域法、高阶矩高阶累积量法等，这些方法具有一定的优势，但同时也有一定的不足。
因此，必须要在调制信号自动识别方面不断加强研究，优化自动识别方法，推动我国卫星通信的进一步发展。
1; ; 当前卫星通信领域常用的调制信号频谱特征1.1; 信号功率谱信号功率谱的主要作用就是对调制信号的各个频率分量的功率分布进行直接的反映，能够使人直观地看到各个频率分量的调制信号的功率分布情况。
不同分量的信号，在功率谱中显示出的分布情况具有非常大的差别，利用功率谱能够有效识别各类信号，这也是卫星通信常用信号频谱的主要特征之一。
1.2; 信号平方谱信号经过平方运算后会产生很大的直流量，此时形成的功率谱与普通的信息功率谱有很大的不同，能够对调制信号倍频后的功率分布进行直接反映，这就是信号平方谱。
对于调制指数较小的调制信号，普通的信号功率谱无法有效反映其信号功率的分布特征，此时就可以使用信号平方谱对其进行识别，例如对频移键控（Frequency Shift Keying，FSK）信号，通过倍频处理产生信号平方谱，就能够有效检测其单频分量。
1.3; 信号四次方谱四次方谱，简而言之就是将信号进行四次方处理，从而得到的功率谱。
通信信号调制类型的自动识别
目录1引言 (1)2信号调制类型的算法 (1) (1) (2) (3) (5)3基于决策理论的调制类型识别 (6) (6)3.1.1幅度键控调制（ASK） (6)3.1.2相移键控调制(PSK) (7)3.1.3频移键控调制(FSK) (7) (8) (8) (10)4仿真及结果分析 (13) (13) (16) (18) (19)致谢 (20)参考文献： (20)附录 (22)1引言通信信号调制方式自动识别是信号分析领域中一个比较新的研究方向，它有很大的应用前景，尤其是在军事通信领域。
随着电子对抗技术研究的不断升温，迫切需要进行调制信号自动识别技术的研究，它被广泛应用于：信号确认、干扰识别、无线电侦听、电子对抗、信号监测和威胁分析等领域。
目前已有的信号调制识别方法主要分为两大类：基于决策理论的方法和基于统计模式识别的方法。
大多基于决策理论的方法都需要对每一个特征参数选择一个最优的门限，而且特征参数提取和进行信号识别的顺序都会直接影响识别率。
基于统计模式识别的方法可以分成两个部分:特征提取和分类器设计。
特征提取负责对接收到的信号提取出最能表现其调制特征的参数。
而分类器则根据已提取出的特征把信号划分到相应的类别。
前者检验统计量计算复杂且需要一些先验信息但判别规则简单；后者特征提取简单、易于计算但判别规则复杂[1]。
本文针对通信信号数字调制方式的特点，在决策理论的基础上提出了一种改进过的调制方式识别算法并进行了软件仿真。
仿真结果表明：该算法不仅能识别现代通信常用的各种数字调制方式，如2ASK，2PSK，2FSK，4ASK，4PSK，4FSK，而且算法简单，适合实时操作，同时具有较好的抗噪声性能和较高的识别准确度。
2信号调制类型的算法调制方式识别是介于能量检测和信号完全解调之间的过程。
对于能量检测只要知道接收信号粗略的中心频率和带宽。
而信号解调不仅需要知道精确的中心频率和带宽，还必须知道该信号采用的调制方式以及对应的调制参数。
基于软件无线电的调制信号自识别系统设计与实现
基于软件无线电的调制信号自识别系统设计与实现目录一、内容概括 (2)1.1 背景与意义 (3)1.2 研究目标与内容 (4)二、相关工作与技术概述 (5)2.1 软件无线电技术简介 (6)2.2 调制信号自识别技术研究现状 (7)2.3 软件无线电与调制信号自识别技术的结合 (9)三、系统设计与实现 (10)3.1 系统总体设计 (11)3.2 频谱分析与跟踪模块设计 (13)3.3 自适应滤波与解调模块设计 (14)3.4 系统软硬件协同设计 (15)四、仿真验证与性能评估 (16)4.1 仿真模型构建与验证 (17)4.2 实验设计与结果分析 (18)4.3 性能评估标准与方法 (19)五、结论与展望 (20)5.1 主要成果总结 (20)5.2 研究不足与改进方向 (21)5.3 未来工作规划与展望 (23)一、内容概括本文档主要介绍了基于软件无线电的调制信号自识别系统的设计与实现。
软件无线电作为一种新兴技术，以其灵活性和可重构性在通信领域得到广泛应用。
调制信号自识别系统是软件无线电中的关键部分，能够在接收到的信号中准确识别出不同的调制方式，从而提高通信系统的性能。
本文将详细介绍系统的设计要求、设计原则以及实现过程。
我们将概述调制信号自识别系统的背景、目的和意义，阐述其在现代通信中的重要性。
我们将分析系统的关键要素，包括信号接收模块、信号处理模块、特征提取模块以及识别模块等组成部分，并探讨各模块间的相互作用与联系。
在系统设计部分，我们将详细阐述系统的设计思路、设计方法和设计流程。
包括系统架构的设计、算法的选择、关键技术的实现等。
我们还将讨论系统设计的难点和解决方案，如信号特征的准确提取、高效识别算法的开发等。
在实现过程中，我们将介绍系统的具体实现步骤，包括硬件平台的选择、软件编程环境的选择、具体算法的实现等。
我们还将分析系统在实现过程中可能遇到的问题及解决方案，如系统性能的优化、错误处理机制的建立等。
卫星通信信号体系调制识别技术_马兆宇
１．２ 频 谱 特 征
信号频谱是对 信 号 在 频 域 的 一 种 描 述，不 同 调 制 方 式 的 信 号，在 频 域 上 表 现 为 不 同 的 形 式。 信号高阶 谱 可 以 较 好 地 反 映 多 种 调 制 方 式 的 特 性，并能正确 地 提 取 相 应 的 特 征 参 数。 由 于 信 号 倍频后会产生很 大 的 直 流 分 量，所 以 需 对 信 号 进 行带通滤波处理，确 保 在 低 信 噪 比 （ＳＮＲ）条 件 下 准确提取谱特征参数。
航 空 学 报 Ａｃｔａ Ａｅｒｏｎａｕｔｉｃａ ｅｔ Ａｓｔｒｏｎａｕｔｉｃａ Ｓｉｎｉｃａ ｈｔｔｐ：／／ｈｋｘｂ．ｂｕａａ．ｅｄｕ．ｃｎ ｈｋｘｂ＠ｂｕａａ．ｅｄｕ．ｃｎ
ｄｏｉ：１０．７５２７／Ｓ１０００－６８９３．２０１４．００８９
Ｄｅｃ．２５ ２０１４ Ｖｏｌ．３５ Ｎｏ．１２ ３４０３－３４１４ ＩＳＳＮ １０００－６８９３ ＣＮ １１－１９２９／Ｖ
１ 高 阶 累 积 量 特 征 与 频 谱 特 征
１．１ 高 阶 累 积 量 特 征
高阶累积量算 法 具 有 一 地 应 用。 然 而，目 前 高 阶 累 积 量 的 理论值都是建立 在 信 号 矩 形 成 形 的 基 础 上，没 有
考虑升 余 弦 成 形 对 信 号 高 阶 累 积 量 的 影 响。 因 此 ，对 于 升 余 弦 成 形 的 卫 星 通 信 信 号 来 说 ，现 有 文 献中的高阶累积量理论值不能作为其特征参量的 参考值。为解决 这 一 问 题，将 高 阶 累 积 量 与 谱 特 征相结合并最终 应 用 到 卫 星 通 信 中，本 文 首 先 对 升余弦成形的常用卫星通信信号各阶的高阶累积 量进行了仿真分析。
基于AR模型谱估计的调制方式自动识别算法
河南工程学院学报 （自然科学版 ）
Ｖｏ． ４ ， ． １２ Ｎｏ ３ Ｓ ｐ ． ０１ ｅ ｔ２ ２
２１ 年 ９月 ０２
Ｊ Ｕ Ｎ ＬＯ Ｅ 垒 Ｏ Ｒ Ａ ＦＨ § 垦 垦 ！兰 垦 里！ ！ ！ 垦 ！
基 于 Ａ 模 型 谱 估 计 的调 制 方 式 自动识 别 算 法 ｌ ｌ
收 稿 日期 ：０ ２— ６一 ８ ２ １ ０ Ｏ 基金项 目： 国家 自然科 学基金项 目（ １７０ ６ Ｆ １２ ２ ； １批 中国博 士后科 学基金资助项 目（ ０ ２ １ １３ ６ １２ ８／ ０ ０ ０ ） 第５ ２ ｔ Ｍ５ １２ ）
作者简 介： 孙钢灿 （ ９７一 ， 河南濮阳人 ， １７ ） 男， 讲师 ， － ， 博－ ￣ 主要从 事数 字通信信号处理 、 Ｌ － 通信信号调制方式盲识 别等研 究
通过 观察 发现 ， 于 Ａ 基 Ｒ模型 的功 率谱更 易 于提取 分类特 征参 数 ， 面 给出提 取两个 新 特 征参 数 的数 学 下
表达 式 ． ２ １ 信 号功 率谱 的谱 峰个数 ．
信 号谱峰 的个数提 取是 调制识 别 的关键 ， 如果 提取 错误 就 会发 生 误判 ． 据 是单 峰 还是 多峰 ， 以区 分 根 可
出Ｍ Ｓ Ｐ Ｋ信号和 Ｍ Ｓ ＦＫ信号， 根据峰的个数可以进一步判断 出 Ｍ Ｓ Ｆ Ｋ信号的调制 阶数． 首先 ， 需要通过基于
Ａ Ｒ模 型 的现代 谱估 计方 法计 算 出功率 谱 ． 功 率谱 的图示 中可看 出 ， 峰 应 具 备 两个 条 件 ， 是 大 于 某个 从 谱 一 阈值 ， 是在 某一 频段 内是 极大 值 ， 左 右 的频 段 在一 定 范 围分 别 为 单调 递 增 和单 调 递 减． Ｐ 凡 二 其 设 （ ）为 功 率 谱 ， 以谱 峰的计 算公 式可 简单 表达 如下 ： 所
基于支持向量机与谱特征的数字信号识别
基于支持向量机与谱特征的数字信号识别潘莹;张洪欣【摘要】由于已有的调制识别方法存在提取的特征参数多、计算量复杂等不足,现提出一种将支持向量机与谱特征结合的方法,该法不仅提取的特征参数少,对噪声不敏感,计算量小,而且还通过设计分级的支持向量机分类器提高了识别率.仿真实验表明,这种方法比普通的阈值法在识别率方面有明显的改善.【期刊名称】《滨州学院学报》【年(卷),期】2013(029)006【总页数】5页(P79-83)【关键词】支持向量机;谱特征;数字调制识别【作者】潘莹;张洪欣【作者单位】北京邮电大学电子工程学院,北京100876;北京邮电大学电子工程学院,北京100876【正文语种】中文【中图分类】TN911.720 引言调制方式是通信信号的一个重要特性.对于信号捕获、分析等非协作通信来说，快速、准确的识别出捕获信号的调制方式，对后续的解调、解码等相关处理是必不可少，也是至关重要的.近年来，随着软件无线电的发展，自动调制识别技术在民用、军用多模接收机中应用越来越广泛.目前已研究的调制方式识别算法，大致可以分为三类：统计模式识别法、决策理论法及人工神经网络法［1］.对接收信号提取的特征也是多种多样：有基于信号瞬时特征的，有基于信号高阶统计量的，有基于直方图特征的，有基于信号星座图特征的，有基于小波变换提取的特征的，还有基于分形理论的合维数和信息维数的特征等.但这些方法和特征对噪声敏感，需要的预处理过程复杂.为了弥补这些不足，本文提出一种将支持向量机与谱特征结合的方法，对2ASK，2FSK，2PSK，4ASK，4FSK，4PSK，MSK等常见的数字调制信号进行调制方式的识别.谱特征主要是谱相关特征，由于谱相关特征抗噪声特性较好，提取的特征对噪声不敏感.另外，支持向量机（Support Vector Machines，SVM）理论是Vapnik提出的一种新的统计模式分类方法.SVM作为分类器，相比神经网络等分类器，具有更强的泛化能力，并且不存在过学习和局部极小点问题，另外分类器的学习时间较短，适合实时分析与识别［2］.本文首先利用f平面谱线的个数f＿num设计SVM分类器1，将7种调制信号分为4类｛2ASK，4ASK｝，｛2PSK，4PSK｝，｛2FSK，MSK｝，｛4FSK｝，之后针对每一子类提取一个特征参数并设计SVM 分类器进行分类.由于这种方法对信号分级地进行特征提取，减少了一些不必要的信号特征参数的计算，大大减少了计算量，并且识别率比阈值分类法有了明显的改善.1 谱相关原理与支持向量机1.1 谱相关理论［3－4］广义周期平稳随机过程x（t）的自相关函数表示如下：其展开成傅里叶级数是其傅里叶系数是称为循环自相关函数.那么，它的傅里叶变换即x（t）的谱相关函数，也称作循环谱为其中，循环自相关函数可看做是［x（t＋τ／2）x（t－τ／2）］的变换，该二阶处理的物理意义是对原信号x（t）的一种广义二倍频与自混频，即它在对应于信号第k个频谱分量fk的循环频率α截面，把该分量频率提高1倍，变为2fk（这对应于倍频），并将信号的其他频谱分量的频率都加上1个fk（这对应于混频）.由于信号倍频与自混频后，其所有频谱分量被展宽1倍或加上一个固定频率值，而信号傅里叶变换的频谱分辨间隔仍为Δf＝fs／N（fs为采样速率，N为样本数），因此在信号的原始频谱中的相互间隔小于Δf但大于Δf／2的分量，经过倍频与自混频，其间隔就将大于Δf，从而使相对分辨率得到提高［5］.这样，原来在普通的频谱中看不到频谱特征就会在相关谱中显现出来，另外，对于高斯白噪声的谱相关函数它的循环谱只有在循环频率为零时才有非零值，因此接收信号的谱相关特征对噪声不敏感.1.2 支持向量机的原理［6］SVM是基于结构风险最小化（structural risk minimization，SRM）原理的统计学习理论.它比其他神经网络方法具有更好的泛化能力，因为它使VC（Vapnik cherovnenkis）维数（泛化误差）的上限最小化（empirical risk minimization，ERM），而一般的神经网络是基于经验风险最小化（empirical risk minimization，ERM），它使得相对于训练数据的误差最小化.以两类模式分类问题为例，设样本（xi，yi）服从空间X×Y上的某个未知概率分布P（x，y）（为方便起见，令Y＝｛＋1，－1｝）.目标是寻找一个分类函数，该分类函数将空间X×Y划分为两个子空间，不同的模式样本属于不同的子空间.当两类模式线性可分时，超平面ω·x＋b＝0可将两类区分开.当两类模式线性不可分时，需要通过一个非线性变换，将已知样本变换到一个高维特征空间，再在高维特征空间中按照结构风险最小化准则寻找满足要求的超平面，使两类之间间隔最大的同时确保训练样本的分类误差尽可能小.2 特征参数提取根据对2ASK，2FSK，2PSK，4ASK，4FSK，4PSK，MSK等信号的谱相关函数计算及各平面谱图分析，提取了以下4个参数作为特征：（1）特征谱）在f轴上含有明显单一谱线个数N.当α＝0时，循环谱即信号的功率谱，功率谱是反映信号各频率分量的功率分布的，由于各已调信号的功率谱在载频处呈现的谱线个数不同，如2ASK，4ASK信号在载频处只有1根谱线，2PSK，4PSK信号在载频处没有谱线，2FSK，MSK信号有两个载波频率，即有2根谱线，4FSK信号有4个载频，即有4根谱线.各信号特征谱在轴上明显单一谱线个数随信噪比的变化如图1所示.因此，通过功率谱上所呈现的谱线个数可将信号分为几个大类：｛2ASK，4ASK｝，｛2PSK，4PSK｝，｛2FSK，MSK｝，｛4FSK｝.图1 各信号特征谱在f轴上明显单一谱线个数随信噪比的变化图22FSK与MSK信号的fc－Amp随信噪比的变化图（2）f＝fc平面原点处的幅值fc＿Amp.经过仿真，如图2所示，这一参数对于2FSK，MSK信号区分明显，且随着信噪比，变化平稳.（3）平方谱的f＝fc平面中单峰明显程度SquareSpec＿peak.单峰明显程度定义：谱的最大值与其左右相邻的3个谱线幅度值均值的比值.如图3所示，这一参数在信噪比变化时的均值对于2PSK，4PSK信号区分明显.（4）信号波形幅度的标准差Signal＿STD.这是一个时域特征，2ASK，4ASK信号是幅移键控信号，由于进制数的不同，4ASK信号较2ASK信号波形的幅度离散程度大，而统计量标准差恰好是描述这一特征的（见图4）.图32PSK与4PSK信号的SquareSpec＿peak随信噪比变化图图42ASK与4ASK信号的Signal＿STD随信噪比变化图3 仿真与结果分析根据以上特征参数的选择，分级设计如下SVM分类器，如图5所示.据文献［6］，分级设计分类器比一个分类器一次性分出最终结果的优点在于：可以避免对信号提取不必要的特征参数，减少计算量，并且由于分类目标少，分类的正确率也将有明显提高［6］.仿真实验：采用MATLAB软件，设计并产生SVM分类器的训练样本和测试样本.信号种类有2ASK，2FSK，2PSK，4ASK，4FSK，4PSK，MSK等7种，载波频率为fc＝1×108 Hz，采样频率为fs＝4×108 Hz，码元速率为fd＝2.5×107 Hz，码元数是64.信噪比从5dB变化到15dB，每一dB下，取30个样本针对不同调制类型提取特征参数，构成训练样本空间，取20个样本构成测试样本空间.采用Faruto和李阳编写的LIBSVM－farutoUltimateVersion SVM扩展的工具箱，设计SVM分类器.识别效果如图6所示.图5 SVM分类器分级设计图另外，根据每个特征参数，可以人为的找出每个特征的阈值，采用阈值法对上述同样的测试样本进行测试，识别效果如图7所示.通过图6与图7对比，可以看出，分级的SVM分类器方法比阈值法的识别率有了明显的改善.图6 使用分级SVM分类器方法各信号的识别率图7 使用阈值法各信号的识别率4 结论本文将循环谱特征与支持向量机结合用于信号调制方式的识别，从仿真实验结果可以看出，该方法最终识别效果比阈值法有明显的提高.另外本文提出的特征参数少，运算量小，预处理与识别过程简单.但是对于支持向量机，在识别前，需要提前采集样本训练好网络，才能进行识别.这在复杂的实际环境中应用是难以实现的，因为大量的训练样本的采集不适合在线的分析，因此，复杂环境中信号调制方式的识别是下一步需要研究的.参考文献：［1］李耐根.基于谱分析数字信号调制方式的自动识别［D］.南昌：南昌大学，2006.［2］韩刚，张文红，李建东.基于高阶累积量和支撑矢量机的调制识别研究［J］.系统工程与电子技术，2003，25（8）：1007－1011.［3］ Gardner W A.Spectral correlation of modulation signals：PartⅡ digital modulation［J］.IEEE Trans Comm，1987，35（6）：595－601. ［4］韩国栋，蔡斌，邬江兴.调制分析与识别的谱相关方法［J］.系统工程与电子技术，2001，23（3）：34－37.［5］罗利春.谱相关的原理、功能与截面谱表示［J］.物理学报，2002，51（10）：2177－2181［6］李俊俊，陆明泉，冯振明.基于支持向量机的分级调制识别方法［J］.清华大学学报，2006，46（4）：500－503.。
无线通信中的调制识别技术研究
无线通信中的调制识别技术研究随着无线通信技术的不断发展和普及，人们对于无线信号的调制方式识别技术越来越感兴趣。
调制方式识别技术是指通过对无线信号进行分析和识别，获取其调制方式信息，从而实现无线信号的分类和判别。
在无线通信领域，调制识别技术是非常重要的一个研究方向，它不仅可以应用于通信系统的性能分析和故障诊断，还可以被广泛地应用于无线电侦听、无线频谱监测等领域。
一、无线信号调制方式的分类在介绍调制识别技术之前，我们需要了解不同调制方式的分类。
在无线通信中，常见的调制方式包括：幅度调制（AM）、频率调制（FM）、相位调制（PM）、多进制调制等。
1. 幅度调制（AM）幅度调制是指将信号的幅度按比例变化来调制载波的调制方式。
在实际应用中，幅度调制被广泛应用在调幅广播、调幅电视等领域。
其主要特点是调制信号范围有限、抗干扰能力差，对信号的调制深度要求较高。
2. 频率调制（FM）频率调制是指将信号的频率按比例变化来调制载波的调制方式。
在实际应用中，频率调制广泛应用于调频广播、音频传输等领域。
其主要特点是调制信号范围较大、抗干扰能力较强，但对于载波频率稳定度要求较高。
3. 相位调制（PM）相位调制是指将信号的相位按比例变化来调制载波的方式。
在实际应用中，相位调制广泛应用于调制信号传输距离较远的场合，如卫星通信、数字通信等领域。
其调制范围较小、抗干扰能力较强。
4. 多进制调制多进制调制是将不同的调制方式组合在一起进行调制，以进行更有效和更高质量的数据传输。
常见的多进制调制方式包括QAM、PSK、FSK等。
二、调制识别技术的研究意义在无线通信领域，调制识别技术具有非常重要的意义。
首先，通过对无线信号的调制方式进行识别，可以更好地进行通信系统的性能分析和故障诊断，从而实现对无线通信系统的优化配置；其次，通过无线信号的调制方式识别，可以判断无线通信系统中是否存在非法入侵或恶意干扰行为，对网络安全和信息安全具有非常重要的监管和保障作用。
信号调制方式自动识别的研究的开题报告
信号调制方式自动识别的研究的开题报告一、研究背景信号调制是指将信息信号转换为适合传输和处理的电磁波信号的过程。
通信系统中广泛采用的调制方式有多种，例如调幅（AM）、调频（FM）和调相（PM）等。
因此，在现实中，需要对接收到的信号进行调制方式识别，以便正确地解调出信号中传递的信息。
二、研究目的本研究的目的是设计一种能够自动识别信号调制方式的算法，并在实际应用中进行测试和验证。
通过研究信号调制方式的自动识别，能够提高通信接收效率，减少数据传输误差，使通信系统具有更高的可靠性和稳定性。
三、研究内容1. 调制信号的特征提取方法研究。
通过对调制信号的多种特征进行分析和比较，提取出最具代表性的特征，并加以优化和选择，以提高识别准确率。
2. 信号分类算法设计。
通过对多种信号调制方式进行深入的研究和分析，设计一种快速准确的信号分类算法，以实现对不同调制方式信号的自动识别。
3. 实验验证和性能评估。
在实验室和现场环境下，通过收集不同调制方式的信号数据，对设计的算法进行测试和验证，并在识别准确率、算法速度、鲁棒性和实现成本等方面进行全面评估。
四、研究意义1. 提高通信系统的可靠性和稳定性。
自动识别信号调制方式可以有效地降低信号传输误差，提高通信接收效率。
2. 为信号处理和通信技术领域的发展提供技术支撑。
信号调制方式的自动识别是通信技术和信号处理领域的重要研究方向之一，本研究将为该领域的发展提供技术支撑和理论指导。
3. 具有广泛的应用前景。
自动识别信号调制方式的算法可以应用于无线通信、数据传输、雷达检测等多个领域，具有广泛的应用前景和市场需求。
五、研究方法1. 理论研究。
对现有信号调制方式的理论知识进行深入学习和探究，并结合实验数据进行分析和整合。
2. 算法设计。
基于理论研究，设计适合自动识别信号调制方式的特征提取方法和信号分类算法。
3. 实验验证。
在实验室和现场环境下，采集不同调制方式的信号数据并进行实验验证和性能评估。
通信信号调制识别综述
通信信号调制识别综述通信信号调制技术是现代通信技术中的核心技术之一。
它是指将信息源送入到电磁波载体中并传输的过程。
通信信号调制识别是指在接收到的信号中识别出所采用的调制类型。
对于通信系统来说，信号调制识别技术的性能直接关系到系统的性能表现和数据的传输质量，因此，准确、快速地掌握信号调制类型具有重要的研究意义。
随着技术的不断发展，通信信号调制类型也越来越多。
为了更好地实现信号的调制识别，研究人员们提出了各种不同的方法。
下面将介绍几种常见的方法。
1. 基于特征提取的方法这种方法是通过提取信号的特征来识别调制类型。
以常见的QPSK调制为例，QPSK调制的特征就是两个正交的载波的相位差。
识别器通过计算相位差的正弦值和余弦值来识别信号的相位差，从而判断信号的调制类型。
这种方法具有计算简单和识别速度快的优点，但是它对于抗干扰能力较强的调制类型，如M-ary QAM调制，在特征提取上比较困难。
2. 基于分类器的方法这种方法是构建一个分类器，通过训练将不同调制类型的信号分成不同的类别，进而判断接收信号所属的类别。
常见的分类器有机器学习算法、人工神经网络、支持向量机等。
与基于特征提取的方法相比，基于分类器的方法能够处理更加复杂的信号调制类型，但是分类器的性能会受到训练数据集的影响。
3. 基于深度学习的方法这种方法是利用深度学习技术中的卷积神经网络、循环神经网络等算法从原始信号中自动学习特征，并将其映射到调制类型。
在香农定理和数据驱动技术的帮助下，深度学习方法明显优于传统算法，在实际应用中具有越来越广泛的代表性。
总之，在通信系统中，信号调制识别技术的实际应用极其重要。
虽然基于特征提取的方法、基于分类器的方法和基于深度学习的方法都有各自的优缺点，但是它们的本质都是利用数学方法来解决实际问题。
未来，许多新型调制技术将继续涌现，我们必须不断地研究和开发新的信号调制识别技术，以适应未来通信系统的需求。
219388539_卫星通信常用调制方式的自动识别
第7期2023年4月无线互联科技Wireless Internet TechnologyNo.7April,2023作者简介:叶益龙(1986 ),男,浙江衢州人,工程师,学士;研究方向:卫星通信㊂卫星通信常用调制方式的自动识别叶益龙1,彭春荣2(1.中国电子科技集团公司第五十四研究所,河北石家庄050081;2.中国人民解放军61655部队,重庆400000)摘要:随着时代的进步,我国的航天卫星通信技术取得了重大突破,已经成为全球最具竞争力的行业之一㊂卫星通信常用的调制方式很多,但在实际应用中存在着一系列问题㊂文章对卫星通信常用调制方式的自动识别提出了一种新的方案㊂该方案以信号的频谱特征为基础,对信号功率谱㊁信号平方谱㊁信号四次方谱以及信号包络谱进行了分析,并提出了一种新型的分类特征参数,最终总结了识别方法与操作流程㊂该方案可真正用于卫星通信常用调制方式的自动识别㊂关键词:卫星通信;调制方式;自动识别中图分类号:TN927㊀㊀文献标志码:A 0㊀引言㊀㊀近几年,我国对卫星通信技术发展的重视程度不断上升,卫星通信中常用的通信核心技术也已经被我国科技人员所突破㊂随着科学技术的飞速进步,卫星通信的调制方式变得越来越丰富,从传统的单一调制到更加灵活的多种调制方式㊂尽管卫星通信的调制方式可以根据信号的时域和频谱特征进行选择,但是这些方法都存在一定的局限性,从而影响卫星传输系统的正常运行,给使用者带来了诸多不便㊂文章通过对卫星通信常用信号频谱特征的分析,提出了一种新型的分类特征参数,最终总结了识别方法与操作流程㊂1㊀卫星通信常用的调制方式存在的问题㊀㊀目前,卫星通信常用的调制方式多种多样,例如有基于信号瞬时时域特征的,也有基于信号频谱特征的,但这些方法在实际应用中都存在着一系列问题㊂1.1㊀特征参数的抽取缺乏有效的筛选机制㊀㊀在进行特征参数抽取时,由于缺乏有效的筛选机制,往往无法获得所需的结果㊂为了获得最佳的特征参数,必须先对已有的参数进行深入的分析,以确保抽取的参数能够满足要求㊂获得足够多的先前信息可能会带来一定的挑战,从而对特征参数的精度产生重大的影响[1]㊂1.2㊀单一算法无法满足多种类型的卫星通信特征参数的抽取㊀㊀当面对多种类型的卫星通信时,抽取其特征参数时,往往会受到多种因素的影响㊂采用单一算法进行特征参数的抽取可能会导致卫星通信系统的调制失败,从而影响其正常运行㊂1.3㊀传统的算法识别技术存在很大的局限性㊀㊀采用算法识别技术可以大大提升卫星通信的调制精度㊂然而,由于各种卫星通信的特性,传统的算法识别技术无法满足多种复杂的卫星通信调制需求㊂由于算法识别技术的发展,卫星通信的调制效果得到了显著改善㊂2㊀常用信号的频谱特征㊀㊀卫星通信的普及程度正在迅速提升,它已经成为人们每天都能接触到的重要技术㊂随着卫星TV㊁远程教育等技术的发展,卫星通信为人们的生活带来了极大的便利㊂不仅如此,卫星通信在气象㊁地震等领域以及海洋和陆地导航方面也有广泛的应用㊂随着技术的发展,信号频谱已经成为一种全新的表达形式,它可以根据不同的调制方式,显著改变信号的频域特征,从而形成多样化的频谱㊂经过仔细比较和分析,研究人员可以清楚地看到各种信号频谱的独特性质㊂通过分析其特征参数,相关研究人员可以更好地识别不同的卫星,并且找到最适合它们的调制方式㊂2.1㊀信号功率谱㊀㊀信号功率谱描述了卫星传输系统中不同频率的信号传输能力㊂信号的频率在不同的情况下会有很大的差异㊂为了更好地区分有载波和无载波信号,相关研究人员需要仔细观察它们的功率谱载频㊂经过深入研究,相关研究人员发现,不论是哪一种类型的通信信号,其功率谱都表明了它们在频谱上的显著差异,可以从频谱的形态和谱峰的数量上有效地识别出两种不同的通信信号㊂单谱峰信号的频率分布非常窄,呈现出一种平滑的特征㊂但是,多谱峰信号和单谱峰之间存在着明显的差异,它们的频谱变化极为剧烈㊂2.2㊀信号平方谱㊀㊀信号平方谱指一种用来测量信号功率的技术㊂信号平方谱通过对信号的平方运算来得到它的频谱㊂随着信号的平方运算,它的平均值也会变得更高,这使得人们更容易将视线聚焦到频谱最显著的部分,而忽略了它最接近0的地方㊂经过深入研究,人们发现,信号平方谱能够准确地描述调制信号在倍频处理之后的频谱功率分布情况㊂通过比较信号功率谱和信号平方谱,相关研究人员可以清楚地看出它们的差异㊂随着技术的发展,越来越多的复杂通信信号可以被准确地识别出来,而这一过程的成功取决于如何运用信号平方谱来提取这些信息㊂当BPSK和DSB信号经过平方谱倍频调制处理后,会产生显著的单频特性,从而使得它们的信号更加清晰㊂这也是将BPSK 和DSB信号与其他信号区分开来的关键因素㊂PSK 和SSB信号缺乏单频分量的显著特征,因此无法被检测到㊂FSK信号经过倍频处理后,其调制指数可以实现翻倍,然而,其调制指数较低,因此无法在信号功率谱中得到充分的反映㊂通过信号平方谱,相关研究人员可以轻松识别出FSK信号㊂MSK信号经过倍频处理后,其调制指数变成了1[2]㊂2.3㊀信号四次方谱㊀㊀经过对信号平方谱的深入研究,人们可以更加清楚地理解信号四次方谱,它是一种将信号经过四次方运算后得到的功率谱㊂因此,相关研究人员首先需要对信号进行平方谱分析,其次根据分析结果推断出它的功率谱,最终再次运用平方谱来确定它的频谱特性㊂信号四次方谱技术可以有效地区分Mɤ4的信号以及M>4的信号㊂此外,它还可以用来识别OQPSK和频率调制信号的特征㊂经过四次方谱处理,相关研究人员能够清晰地看到各种通信信号的特点,更好地识别出各种不同的通信信号㊂经过信号四次方谱分析,QPSK和OQPSK在二倍载频处表现出明显的单频特性,而8PSK则完全没有,这一点为研究人员提供了一个有效的识别不同类型通信信号的重要依据㊂利用这一独特的特性,相关研究人员能够准确地识别出不同的通信信号,从而更好地选择最佳的调制模式㊂调制信号可以有效地提升信号传输的效率,从而确保信号的安全接收和传输[3]㊂2.4㊀信号包络谱㊀㊀信号包络谱是一种技术,它将两个独立的通信信道进行了加密处理,并为它们设置了一个特定的编码序列㊂这样,相关研究人员就能够更好地识别它们之间的差异㊂尽管安全性有了显著提升,但是在检测这两种通信信号时仍然存在一定的挑战㊂由于传统的检测技术无法有效地识别出两种信号之间的差异,因此,相关研究人员必须借助于信号包络谱的精准分析,以便准确地识别出它们之间的差异,并且根据不同的调制方式做出最佳的选择㊂然而,在实际的通信领域,信号包络谱被广泛用于识别OQPSK和QPSK 之间的差异㊂由于PSK信号通过滚降成形技术实现了调制,使其包络结构能够清晰地反映它的速度变化情况,从而使得相关研究人员可以利用它将两种信号区分开㊂经过仔细观察,OQPSK信号的包络谱呈现非常明显的速率谱线,而QPSK信号的包络谱则没有这种特征㊂这表明,两种信号之间存在着显著的差异㊂利用这一独特的特性,相关研究人员能够更加准确地识别出两种不同的信号㊂由于OQPSK信号Q路比I路延迟了1/2码元,从而导致包络变得更加紧凑,使得相关研究人员无法清晰地观察到明显的符号速率谱线㊂QPSK信号的特征与传统的信号有很大的差异,通过观察它的信号包络图,相关研究人员能够清晰地发现它的符号频率[4]㊂3 分类特征参数的确定㊀㊀要实现卫星通信中常见的调制方式的自动识别,必须先确定相关的特征参数,以便进行有效的分析㊂为了更好地理解和掌握各种信号的特性,相关研究人员首先必须将它们划分为不同的类别,并研究它们使用的调制技术㊂通过深入研究,相关研究人员可以更好地理解各种不同类型通信信号的调制特征,并且可以发现它们之间存在着显著的差异㊂基于对这些数据的深入分析,相关研究人员可以更准确地识别通信信号的调制方式,从而提高识别的准确性㊂通过观察它的表面特征,研究人员可以决定使用单频偏移值或者仅使用单频分量来进行检测㊂3.1㊀单频分量偏移值检测㊀㊀为了检测出信号的单频分量偏移值,研究人员必须通过比较单频分量和载波频率的差值来获得更准确的结果㊂为了确定两个数据之间的差异,相关研究人员需要收集相关的信息并建立数据模型,并通过使用公式计算,更精确地测量信号的偏移量,从而评估信号的稳定性㊂因此,为了确保卫星通信的高效运作,必须有效地采集和处理卫星发出的信号㊂3.2㊀单频分量检测㊀㊀通过单频分量检测,可以准确地确定信号谱的特征,包括最显著的特征和两条谱线之间的比例㊂单频谱线在这一信号谱线中显得格外突出,它是区分不同类型通信信号的关键特征㊂如果线谱的强度超过了一个特定的阈值,那么就能够断定这个区域存在一个独立的频率成分[5]㊂4㊀识别方法与操作流程㊀㊀为确定卫星通信的最佳调制方式,收集卫星信号的数据显得尤为重要㊂因此,研究人员需要采用专门的波谱收集技术,对相关信息进行精确的收集,并利用数学建模技术,从中抽取单频分量偏移值和单频分量,以此确定最佳的卫星信号调制方式㊂目前,许多研究人员仍然使用传统的信息收集设备来收集信息㊂随着科技的发展,目前的卫星传输方式已经远远落后于时代的发展,因此,我国必须加强对信息收集㊁信号处理等设备的投入,以确保更准确地识别卫星通信,并且确保其可靠性㊂5㊀结语㊀㊀在当今复杂的通信环境中,能够准确识别出各类信号的关键在于它们各自的独特性,而这些特征正是有效区分各类信号的基础㊂随着科技的飞速发展,卫星通信技术已经被广泛应用于各行各业,它不仅改变了人们的生活方式,而且还大大提升了人们的生活质量㊂尽管通信信号在实际应用中取得了一定的成效,但仍然存在一些挑战,这些挑战阻碍了信号的接收和传输㊂在当前的环境下,文章分析了常见的频谱特征,并使用适当的公式来确定分类的参数,提供了一种简单易懂的方法,并将它应用于实际的操作中㊂通过实验,笔者发现,采用卫星通信常用的调制方式,可以大大减少烦琐的操作,节省时间和资金㊂参考文献[1]李亚蕊,曹玉玲,冀璐.卫星通信常用调制方式的自动识别[J].中国环境科技学报道,2020(5):70-73. [2]冷明祥,赵俊,唐晓东,等.卫星通信常用调制方式的自动识别[J].天津大学学报(社会科学版), 2021(2):7-9.[3]李亚男,曹继龙,张智杨.卫星通信常用调制方式的自动识别[J].中国科技学报道,2020(5):10-12. [4]程思橦,杨永才,蒋思恒,等.卫星通信常用调制方式的自动识别[J].北京科技大学学报(社会科学版),2021(2):14-16.[5]耿浩渺,曹玲,秦璐.卫星通信常用调制方式的自动识别[J].中国科技学报道,2021(5):78-80.(编辑㊀王雪芬)Automatic identification of common modulation modes in satellite communicationYe Yilong1Peng Chunrong21.The54th Research Institute of CETC Shijiazhuang050081 China2.Unit61655of the People s Liberation Army Chongqing400000 ChinaAbstract With the development of times Chinese space satellite communication technology has made a great breakthrough and has become one of the world s most competitive industries.There are many modulation modes in satellite communication but there are a series of problems in practical application.This paper presents a new scheme for automatic recognition of common modulation modes in satellite communication.Based on the spectrum characteristics of the signal the signal power spectrum the signal square spectrum the signal fourth spectrum and the signal envelope spectrum are analyzed and a new type of classification characteristic parameters are proposed. Finally the recognition method and the operation process are summarized.This scheme can be used for automatic recognition of common modulation modes in satellite communication.Key words satellite communication modulation mode automatic recognition。
基于谱分析的卫星通信调制识别算法
收稿日期：2015-12-05修回日期：2016-02-20基金项目：国家自然科学基金（61271353）；安徽省自然科学基金资助项目（1408085MF120）作者简介：刘莹（1992-），女，辽宁营口人，在读硕士。
研究方向：卫星通信与信号处理。
*摘要：通过分析典型卫星通信信号功率谱、平方谱、四次方谱以及包络平方谱特性，针对卫星通信随参信道造成信号噪声谱均值与方差随频率变化这一问题，采用最小二乘法对信号谱图进行预处理，定义偏离比作为单频分量检测值，在无任何先验知识条件下提取一组鲁棒性强的特征参数，实现信号自动调制识别。
实验证明，改进后的算法复杂度较低、过程简单易实现，所提取参数对数字信号的调制指数与滚降系数不敏感，具有较好的可分性与稳健性，并同样适用于随参信道的信号调制识别，具有一定的实用意义。
关键词：自动调制识别，卫星通信，谱分析中图分类号：TN911.4文献标识码：A基于谱分析的卫星通信调制识别算法*刘莹1，单洪1，胡以华2，3，王勇2，3，4（1.电子工程学院，合肥230037；2.脉冲功率激光技术国家重点实验室，合肥230037；3.电子制约技术安徽省重点实验室，合肥230037；4.通信信息控制和安全技术重点实验室，浙江嘉兴314033）Automatic Recognition Based on SpectralFeature in Satellite CommunicationLIU Ying 1，SHAN Hong 1，HU Yi-hua 2，3，WANG Yong 2，3，4（1.Electronic Engineering Institute ，Hefei 230037，China ；2.State Key Laboratory of Pulsed Power Laser Technology ，Hefei 230037，China ；3.Key Laboratory of AnHui Electronic Technology ，Hefei 230037，China ；4.Key Laboratory of Control and Communication Information Security Technology ，Jiaxing 314033，China ；）Abstract ：By analyzing the power spectrum ，power spectrum of the second and forth spectrum ofthe common used modulated signals ，square with the influence of satellite communication channel ，the mean and variance of noise spectrum vary with frequency.By preprocessing the signal spectra with the method of the least square ，defined deviation than as a single frequency component values ，under the condition of without any prior knowledge.Simulation results show that the method has high practicability ，owing to being more resolvable and steady which is not sensitive to the roll-off factor and modulation index of the digital signals.The improved method can also achieve recognition accuracy in the adaptive channel and has certain practical significance.Key words ：automatic modulation recognition ，satellite communication ，spectrum feature 0引言自20世纪60年代中期卫星投入使用以来，卫星通信作为一种国防和民用生活中不可或缺的通信手段，早已应用于军事侦察、广播、导航、资源探测、灾害防护等各个领域。
基于中频信号特征参数的卫星通信调制样式识别
基于中频信号特征参数的卫星通信调制样式识别解辉;陈冠一;董庆军;卫晓奇【摘要】卫星通信调制样式识别与参数估计是空间信息对抗的重要内容之一,在获取制太空权、制信息权方面发挥着至关重要的作用.针对卫星通信中常用通信信号的调制识别,在现有谱分析方法的基础上,提出3种特征参量,丰富识别的信号样式,完善了自动识别流程.该方法不需要精确的载频和码速率等先验信息,同时能够利用信号特征参数自动完成识别.仿真实验验证了所提算法的有效性,并对算法性能进行了分析.仿真结果表明,在SNR为5 dB时所有信号的正确识别率均达到96％以上.【期刊名称】《现代电子技术》【年(卷),期】2019(042)011【总页数】4页(P11-14)【关键词】通信对抗;调制识别;参数估计;循环谱;包络谱;功率谱;自动识别【作者】解辉;陈冠一;董庆军;卫晓奇【作者单位】陆军工程大学石家庄校区电子与光学工程系,河北石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,河北石家庄 050003;中国人民解放军32152部队,河北石家庄 050003;中国人民解放军66058部队,天津 301700【正文语种】中文【中图分类】TN911.22-340 引言卫星通信信号调制样式识别与参数估计是空间信息对抗的重要内容[1]，利用识别的调制样式和估计的调制参数能够引导解调器正确进行信号解调，从而能够进一步获取敌方通信信息，同时还能够引导干扰设备发射调制样式、信号参数与敌方通信信号完全匹配的干扰信号，对敌方通信链路进行干扰，与普通压制式干扰信号相比，这种干扰信号更容易进入敌方通信接收机，发射功率小、干扰效率更高。
因此，对卫星通信信号调制样式识别进行研究，在未来高技术条件下的空间信息对抗中，对获取制太空权、制信息权方面具有十分重要的意义和作用[1]。
目前，卫星通信调制识别的主要方法有基于判决理论[2-4]和统计模式[5-15]的识别方法。
其中，判决理论主要依据概率论和假设检验中的似然比[3]和贝叶斯[4]判决理论进行识别，其关键是依据信号统计特性，选取最小代价函数得到检验统计量，并与判决门限进行比较实现调制方式的分类识别。
基于二次方谱特征的OFDM信号和单载波信号调制识别
信 号 形式 的 出现 不断 发展 。 已有 很 多 文献 对 信 号 调制 识 别 问题 进 行 了研 究 ，人 多主 要 采 用基 于特 征提 取 的识 别 方法 。 目
前 为止 ，针 对 单 载 波信 号 的调制 识 别 方 法较 多 ，
线 特 征 的调 制 识 别方 法 对调 制 先 验信 息 依赖 少 ， 在 载 频 未知 时 仍 能保 持 鲁棒 性 ，提 取 复 杂度 也 比
（ ５）
其Ｌ ｝ ｌ ，
与 分别 是要 传输 的 相数 字信 号
其 中 ， （ ｆ ） × “ （ ｆ ） Ｈ （ １ 厂 ），
（ ｆ ） × “ （ ｆ ）
和 正 交 数 字 信 号， ： √ ＝
为 信 号 幅 度 ， ｛ ｝
’ “ ‘ ‘ ‘ 厂 ， ‘ ｆ × “ ‘ ｆ Ｈ “ ’ ‘ 厂 。 式‘ ５ 中 前
多 ，使 得基 丁 中心 极 限定理 的正态 分布 假 设成 立 。
该方 法 在 子 载波 数 目较 少 时识 别率 降低 ，且所 提 出 的方 法 需 要分 别 估计 信 噪 比和符 号周 期 ，计 算
， （ ｆ ） ＝ Ｒ ｅ ｛ （ ， ） ｅ ｘ ｐ （ ｊ ２ 万 ｆ ） ｝ ＋ ）
信 号 调 制 方式 盲 识 别在 无 线 通信 的频 谱 管理 、 白适 应 调制 编 码 、通 信 对 抗 等 民用 及 军 事领 域 都
有 广 泛 应用 ，调 制类 型识 别 方法 的研 究 也 随着 新
法都 需要 估计 特 定 延 时 ，检 测 方法 比较 复 杂 。文 献［ ８ ］ 提 出 了用 循环 前 缀 的相关 性实 现 Ｏ Ｆ Ｄ Ｍ 信号 和单 载波 的区分 ，需要 对 Ｏ Ｆ ＤＭ 符 号长度 和起 始 位 置做 ＿ 维 搜索 ，较 为 复杂 ，且这 类 方 法对 于无 循环 前 缀或 Ｚ Ｐ — Ｏ Ｆ ＤＭ 信 号无 法 使用 。 本 文通 过 对 接 收 的带 通 采样 实 信 号一 次 方谱 进行 分 析 ，提 出 了基 于 ■次方谱 线特 征 的 ＯＦ Ｄ Ｍ 信 号和 单 载 波信 号 的调制 识 别 方法 。基 于上 述谱
数字通信信号调制方式识别与参数估计
数字通信信号调制方式识别与参数估计（原创版）目录一、引言二、数字通信信号调制方式识别的背景和意义三、数字通信信号调制方式识别的方法1.基于功率谱离散余弦变换的信号调制类型识别与参数估值方法2.人工神经网络应用于通信信号数字调制方式自动识别的研究与实现3.多载波信号自动调制识别与参数估计4.数字通信信号识别研究与参数提取5.一种数字信号调制方式自动识别算法分析四、数字通信信号调制方式识别的发展趋势五、结论正文一、引言数字通信信号调制方式识别与参数估计是通信领域中的一个重要研究课题。
在非合作通信环境中，如电磁频谱监测、信号侦察和电子对抗等，通常需要对接收信号进行盲分析，识别调制方式、估计解调参数，为解调和信息还原提供支持。
随着通信技术的飞速发展，通信信号的体制和调制样式变得更加复杂多样，信号环境日趋密集，这也使得通信信号的调制识别变得更加困难。
因此，研究数字通信信号调制方式识别与参数估计具有重要的理论意义和实际应用价值。
二、数字通信信号调制方式识别的背景和意义数字通信信号调制方式识别是指在未知调制信息内容的前提下，判断出通信信号的调制方式，并估计出相应的调制参数。
随着通信技术的发展，数字通信信号调制方式识别在民用领域和军事领域得到了广泛应用，例如信号侦听、信号监测、软件无线电以及卫星通信等。
数字通信信号调制方式识别对于提高通信系统的安全性、可靠性和有效性具有重要意义。
三、数字通信信号调制方式识别的方法目前，数字通信信号调制方式识别的方法主要有以下几种：1.基于功率谱离散余弦变换的信号调制类型识别与参数估值方法：该方法可以降低噪声对信号调制类型识别准确率和估值准确率的影响。
2.人工神经网络应用于通信信号数字调制方式自动识别的研究与实现：该方法通过分析各种基本数字调制信号的瞬时幅度、瞬时频率、瞬时相位特性，提出了 5 个特征参数，形成了比较完备的能够区别 2ask、4as 等调制方式的特征参数集。
3.多载波信号自动调制识别与参数估计：正交频分复用（OFDM）等多载波调制技术凭借频带利用率高、抗多径衰落能力强以及实现简单等优点被广泛应用于宽带高速通信系统中。
常用数字调制信号识别的一种新方法（峰度）
常用数字调制信号识别的一种新方法吴月娴1,葛临东1,许志勇2(1.信息工程大学信息工程学院,河南郑州450002;2.西南电子电信技术研究所,四川成都610041) 摘 要: 通过分析数字调制信号及其非线性变换的功率谱,提出了两个新的调制特征参数,改进了两个相关特征的描述,设计了一种采用神经网络集成结构分类器的识别方案,实现了AWG N 信道下常用数字调制信号的自动识别.仿真表明,谱形状特征参数具有很好的抗噪声能力,离散谱线特征参数对信号调制参数更加稳健性,神经网络集成分类器的识别性能显著优于单个网络分类器,SNR >5dB 时该识别方法的总体识别率在94%以上.关键词: 调制识别;谱特征;融合;神经网络集成中图分类号: T N911 文献标识码: A 文章编号: 037222112(2007)0420782204A Novel Identification Method for Commonly Used Digital ModulationsW U Y ue 2xian 1,GE Lin 2dong 1,X U Zhi 2y ong 2(1.Institute o f Information Engineering ,Information Engineering University ,Zhengzhou ,H enan 450002,China ; 2.Research Institute o f Electronic and Telecommunication Technology o f Southwest China ,Chengdu ,Sichuan 610041,China )Abstract : With the spectra of digital modulated signal and its non 2linear transform being analyzed ,two new modulation fea 2ture parameters are proposed and descriptions of another two features are modified.Then a novel identification scheme is obtained ,capable of blind identification of many commonly used digital modulations in AWGN ,using a neural 2network 2ensemble 2classifier.The proposed spectrum 2shape parameter is anti 2noise ,while the new spectrum 2line one is robust against modulation parameters ,and the performance of neural network ensemble is much better than that of a single network classifier.Simulation results show that the recognition rate can reach 94%when SNR is above 5dB.K ey words : modulation identification ;spectrum feature ;fusion ;neural network ensemble1 引言 随着通信系统多样性和复杂性的增加,信号调制方式自动识别作为智能化信号分析和处理中的关键技术,成为通信及其相关领域的一个研究和应用热点.在诸多调制识别方法中,对调制先验信息依赖少、受信号调制参数影响小、运算复杂度低的特征参数和识别方法更受青睐,如基于信号瞬时统计参数[1～3]和功率谱特征[2,4,5]的识别方法.调制信号的循环相关特征具有很好的识别能力[6,7],但即使采用复杂度最低的SSC A 估计算法[7],循环谱估计需要完成的运算量也要远远大于相同频率分辨率的功率谱估计,这大大限制了这一类调制识别方法的应用.在以信号的相位、频率、幅度等时域参数为特征参数的调制识别方法中,Nandi 等[1,2]的研究工作最具代表性,并被广泛引用[3,5,7],但仅采用时域统计参量的方法受噪声影响较大,通常结合谱特征等应用[2,5,7].Dubuc 等[4]提出了一组实用的信号功率谱特征参数,较时域统计参量具有更好的抗噪声性能,但是文献[4]中并没有给出明确的定义.文献[5]对文献[4]中的部分特征参数的定义进行了描述,但该描述的可操作性不强,且不利于量化分析.就调制分类器而言,神经网络具有较强的自学习能力和潜在的容错性,克服了判决树分类器自适应能力的不足[3,7],神经网络集成(NNE ,Neural Netw ork Ensemble )[8,9]系统的泛化能力更比单个网络有了显著提高,被视为一种有效的工程化神经计算方法.本文在对信号功率谱和高次方谱(信号非线性变换后的功率谱)研究的基础上,提出了两个新的谱特征参数,改进了两个相关特征的描述.这些参数具有运算复杂度低,抗噪声能力强,对调制参数稳健性好的特点.本文将上述参数构成识别特征,提出了一种采用神经网络集成结构分类器的常用数字调制信号识别新方法,信噪比较低时比单个神经网络分类器的识别率提高了5%.2 识别特征参数集的构造 本文主要讨论AWG N 信道下常用数字调制方式的识别,包括2FSK 、4FSK 、BPSK 、QPSK 、8PSK 、16QAM 和MSK 信号.调制信号的功率谱及其高次方谱可以较好地反映多种调制方式的特性,有效地提取这些特性可以作为调制识别的特征参数[5].本文在总结前人研究成果的基础上构造了一组基于功率谱和瞬时统计特征的参数,其中归一化峰间距离PD 、离散谱线检测值LV 为文收稿日期:2006203208;修回日期:2006212210第4期2007年4月电 子 学 报ACT A E LECTRONICA SINICA V ol.35 N o.4Apr. 2007中提出的新参数,峰谷幅值比P V、和离散谱线数目LN 为对谱平坦度和谱峰数目的改进描述.211 功率谱形状特征观察信号的功率谱知道,MFSK信号在各调制频率上会出现明显的谱线或存在多个谱峰,这与MSK以及PSK/QAM信号无离散谱线的单峰有着明显的区别.因此,以信号功率谱形状为特征可以识别出FSK调制及其调制阶数,如文献[5]中的平坦度指数F,但计算F 需要预先估计信号的载波频率.本文提出新参数PD,并改进F为参数P V.记信号功率幅度谱正频率部分的能量集中频率范围为 B,中点k0处幅值为X0,以k0为界,左半序列及右半序列的最大幅值分别为XL 、XR,对应坐标为k L、k R,定义PD、P V如下:归一化峰间距离PD:PD=(kR-k L+1)/ B;峰谷幅值比P V:P V=X L+X R2/X0.由定义式可知,若信号谱平坦,则PD≈0,P V≈1,或者二者居其一;若信号存在多个峰或离散谱中毛刺较多,则PD、P V取值将大大不同,且随着谱峰数目或者毛刺增多(功率谱趋向平坦),P V的取值将逐渐减小.参数P V主要对FSK的调制阶数识别起辅助作用.随着FSK调制指数h减小,其功率谱趋向于单峰,由于非线性变换等效于成倍增大调制指数,信号的高次方谱仍可能表现出多个谱峰.因此,采用高次方谱的PD、P V参数能对h较小的FSK取得更好的识别效果.212 功率谱及高次方谱的离散谱线特征通过对调制信号高次方谱分析可知,非连续相位的FSK调制的功率谱在各调制频率上均为一冲激谱线,离散谱线数目与调制阶数相同;MSK在平方或四次方变换后才会出现两条冲激谱线;BPSK经过平方变换后或者QPSK和16QAM经过四次方变换后,也在对应2倍或4倍载频位置上出现一条离散谱线.基于这样的原理,文献[5]用单频检测分量C和谱峰数N对频带信号功率谱和高次方谱的离散谱线特征进行描述,但并没有给出明确的表达式,也没有说明C 与调制参数的关系.本文根据对数字调制信号功率谱理论表达式的分析[10,11],推及调制信号经非线性变换后的功率谱,提出特征参数LV,并将根据LV得到的离散谱线数目记作LN.记解析信号n次方(n为2的幂次)后的序列为x n(t),其功率谱Φ(n)x(f)的最大幅值为a(n),信号总功率为S(n),带宽为BW(n),采样频率为f s,有以下结论:(1)a(n)与S(n)成正比,且当x n(t)功率归一化后, S(n)近似只与序列长度N有关.(2)S(n)一定时,Φ(n)x(f)中存在离散谱线时,a(n)为幅度恒定的冲激;Φ(n)x(f)中无离散谱线时,a(n)的大小取决于基带脉冲的功率谱Φ(n)g(f),与BW(n)/f s成反比.综上分析,记x n(t)的归一化负对数谱为P(n)(f): P(n)(f)=-log10BW(n)f s·Φ(n)x(f)S(n)(1)序列长度N一定时,定义如下LVn、LNn来描述是否存在离散谱线的谱之间的差异:n次方谱离散谱线检测参数LV n:LV n=m inf{P(n)(f)}=-log10BW(n)f s·a(n)S(n)(2)当LVn小于某门限时,认为Φ(n)x(f)中存在离散谱线;n次方谱离散谱线数LN n:P(n)(f)中小于设定门限的谱线的数目.从LVn的定义看,fs/BW(n)对a(n)/S(n)的归一化削弱了信号带宽、采样速率等调制参数的影响,对于存在离散谱线的谱而言,LVn的值与线性调制的成形脉冲滚降系数、FSK调制的调制指数无关.在这组参数中,LVn用于离散谱线的检测,LNn则用于辅助识别FSK与PSK调制,以及FSK的调制阶数.213 瞬时幅度统计特征频率调制信号为恒包络信号,线性调制信号的基带码元通常都要经过脉冲成形滤波,其瞬时幅度变化各不相同.因此可以通过瞬时幅度统计参数[1]进行识别,如归一化中心瞬时幅度的标准偏差σa、零中心归一化瞬时幅度谱密度的最大值γmax、归一化包络方差R等.本文采用参数σa代替文献[5]中的R和γmax两个参数用于识别:σa=1N∑ia2cn(i)-1N∑ia cn(i)2a cn(i)=a(i)/m a-1,m a=∑ia(i)/N(3)其中,N为信号段样本数,acn(i)为零中心归一化瞬时幅度,ma为瞬时幅度a(i)的均值.以上各参数对调制先验信息依赖少,需要完成的运算量主要在n次方变换和谱估计中.对N点信号序列,平均分为K个子序列,各子序列长为M,采用W elch 谱估计方法,M点序列的DFT用基22FFT快速算法完成,则参数计算中约共需完成2N+(N log2M)/2次复数乘法和N log2M次复数加法,运算复杂度远低于循环相关特征参数计算.3 调制分类器的设计 由第二节中对特征的分析知道,每一组参数对文中讨论的数字调制方式都具有一定的识别能力.为了达到特征的有效融合,本文设计了如图1所示的分类器结构,基于以上各组特征参数的识别都用一个单独的分类器来实现,各分类器均可选择使用判决树结构或387第 4 期吴月娴:常用数字调制信号识别的一种新方法者神经网络结构.判决树结构分类器的识别能力不仅与特征参数有关,判决流程的设计也相当关键.对于同一组特征参数,通常存在多种可能的判决流程,有时很难确定哪一种流程更有效,而且当输入特征的提取环境改变时,其识别能力总是受到判决门限设置的约束.本文采用神经网络代替判决树用作调制识别分类器.在图1中,当各成员分类器均采用神经网络结构时,就成为一种典型的神经网络集成(NNE )结构,它比单个网络分类器的泛化能力更强.在单个分类器中,应用较多的是BP 网络[1～3].但BP 网络存在训练时间长、收敛速度慢且存在多个局部最小点等缺陷.R BF (径向基函数)网络在一定程度上克服了这些问题,在逼近能力、分类能力和学习速度等方面均优于BP 网络.R BF 网络是一种三层前向网络,网络可识别的类别数目由隐含层单元数决定,隐含单元的传递函数为径向基函数,一般采用径向对称高斯函数:<(x )=exp (-‖x -c ‖/2ρ2)(4)其中c 为隐含单元的中心矢量,ρ为径向基函数的半径.网络学习大致分为确定隐含单元参数和隐含层至输出层的权值训练两个步骤.本文各分类器均采用RBF 网络结构,成员分类器以输出层神经元响应输出,作为综合分类器的输入向量,其识别结果以编码形式给出,如输出“001”标志识别结果为2FSK.因此,各成员分类器输入层神经元数目与输入特征参数个数相同(如图1所示),隐含层神经元数目为7,即待识别调制方式数,输出层神经元数目为3;综合分类器输入层、隐含层、输出层神经元数目依次为9、7、3;各RBF 分类器均采用模糊C 2均值算法确定隐含单元参数,梯度下降法训练网络权值.4 仿真结果与分析 仿真中,调制信号符号速率、载波频率、采样频率归一化后分别为1、2、16;2FSK 信号调制指数h 从016到2,4FSK 信号h 从016到112,步进为011;PSK 、QAM 信号的滚降系数α从013到110,步进为011.信号预处理时,首先进行限带滤波,带宽为调制信号带宽估计值的2倍;功率谱及高次谱估计采用W elch 方法,且谱估计前对序列进行功率归一化,每个样本序列4096个采样点,各调制方式在同一信噪比下仿真500次.411 特征参数图2(a )所示为新参数PD 随信噪比的变化曲线,其中FSK 调制h =016,曲线显示PD 取值基本不受信噪比影响,该参数较好地描述了FSK 调制的多峰特性,尤其能够有效识别MSK 与MFSK .限于篇幅,文中仅以n =1为代表给出参数LV n 随信噪比的变化曲线,如图2(b )所示,其中FSK 调制h =016,PSK /QAM 调制α=013.曲线表明,LV 1对不同调制阶数的FSK 以及PSK /QAM 调制具有很好的识别能力.为考察调制参数变化对LV 与文献[5]的单频检测分量C 的影响,以2FSK (h =016、110)和BPSK (α=013、110)的四次方谱为例,取C 4的负对数值与LV 4比较,如图2(c )所示.对比两组曲线可见,LV4较文献[5]参数C 4受成形脉冲滚降系数α的影响更小.C 4的曲线还表明,当信噪比较高时,根据C 4将无法正确识别2FSK 和滚降系数α较小的BPSK .参数LV 4则不会出现类似的问题,相对更为稳健.图2(d )所示为σa 随信噪比的变化曲线.随S NR 增加,PSK /QAM 信号的σa 值增大,FSK /MSK 信号的σa 值减小,低信噪比下的分类阈值也同样适合于高信噪比条件.曲线表明,当SNR >5dB 时σa 可以用于识别.412 分类器图3(a )给出了成员分类器2采用判决树结构时对信噪比0～20dB 各信号的识别结果,特征参数为{LV n ,LN n ,n =1,2,4}.由于QPSK 和16QAM 的LV 、LN 参数取值相似,仅以QPSK 作为代表.曲线显示SNR =5dB 时各信号的识别率均在95%以上,但随着信噪比的增加BP 2SK 、8PSK 、MSK 的识别概率都略有下降,其中以MSK 下降较为剧烈.这是由于采用固定门限判决,同时又只采用了较少的识别特征的缘故.可见,单纯依靠一种类型特征参数的识别能力是有限的.图3(b )所示为神经网络集成分类器对信噪比0～15dB 各信号的识别率曲线,表明SNR =5dB 时所有信487 电 子 学 报2007年号的识别率均达到94%以上,随SNR 的增加各信号识别率平稳增加,最终达到100%.实际上,除8PSK 和16QAM 以外的其它信号在更低的信噪比条件下就已达到了较高的正确识别率.比较图3(a )、(b )可见,神经网络集成对各特征的融合效果显著.最后,对单个RBF 网络与神经网络集成的识别率进行了比较,如表1所示,其中Ave 表示分类器对各信号的平均识别率.仿真中单个RBF 网络的输入特征为全体特征,其各层神经元数目依次为9、7、3,其他网络参数均与集成结构中的成员分类器相同.表中数据表明,神经网络集成的识别性能明显优于单个网络.虽然神经网络集成的运算复杂度高于单个网络,并且随着成员分类器数目线性增加,但是识别性能得到了显著的改善.表1 SNR =5dB 时识别率的比较(%)2FSK 4FSK BPSK QPSK 8PSK 16QAM MSK Ave RBF 99.594.610097.887.697.871.692.7NNE98.495.810099.698.394.297.697.75 结论 本文提出了两个新的谱特征参数,改进了两个相关特征的描述,并结合瞬时统计参数实现了常用数字调制信号的识别.这些特征参数运算复杂度低,具有较强的抗噪声能力,与现有类似参数相比,新参数LV 对PSK /QAM 信号的基带成形滚降具有更好的稳健性.在总体识别方案中,设计了一种神经网络集成结构的调制分类器,实验表明,该分类器能够对各特征参数进行很好的融合,比单个神经网络分类器具有更好的识别性能.此外,为了实现更加复杂通信环境下信号的调制方式识别,还需要深入研究,进一步发掘神经网络集成对多特征、多分类器的融合潜力.参考文献:[1]Nandi A K,Azzouz E E.Algorithms for automatic modulationrecognition of communication signals [J ].IEEE Trans Comm ,1998,46(4):431-436.[2]Wong M L D ,Nandi A K.Automatic digital modulation recog 2nition using spectral and statistical features with multi 2layer per 2ceptrons [A ].In Proc of Sixth International Symposium on Sig 2nal Processing and its Applications (ISSPA ’01)[C ].KualaLumpur ,Malaysia ,13-16vol.2:August ,2001.390-393.[3]Zhao Y Q ,Ren G H ,Wang X X ,et al.Automatic digital mod 2ulation recognition using artificial neural networks [A ].In Proc of IEEE Int Conf Neural Networks &Signal Processing [C ].Nanjing ,China ,Dec.14-17,2003.257-260.[4]Dubuc C ,Boudreau D.An automatic modulation recognition al 2gorithm for spectrum monitoring applications [A ].In Proc of IEEE International Conference on Communications (ICC ’99)[C ].Vancouver ,Canada ,1999.732-736.[5]范海波,杨志俊,曹志刚.卫星通信常用调制方式的自动识别[J ].通信学报,2004,25(1):140-149.Fan H B ,Y ang Z J ,Cao Z G.Automatic recognition for com 2mon used modulations in satellite communication[J ].J ournal ofChina Institute of Communications ,2004,25(1):140-149.(in Chinese )[6]韩国栋,蔡斌,邬江兴.调制分析与识别的谱相关方法[J ].系统工程与电子技术,2001,23(3):34-36.Han G D ,Cai B ,Wu J X.Spectral correlation method for mod 2ulation recognition [J ].Systems Engineering and Electronics ,2001,23(3):34-36.(in Chinese )[7]Gao Y L ,Zhang Z Z.Modulation recognition based on com 2bined feature parameter and modified probabilistic neural net 2work[A ].In Proc of the Sixth World Congress on Intelligence Control and Automation [C ].Dalian ,China ,J une 21-23,2006.2954-2958.[8]周志华,陈世福.神经网络集成[J ].计算机学报,2002,25(1):1-8.Zhou Z H ,Chen S F.Neural network ensemble [J].Chinese J Computers ,2002,25(1):1-8.(in Chinese )[9]Hansen L K,Salamon P.Neural network ensembles [J ].IEEETrans Pattern Analysis and Machine Intelligence ,1999,12(10):993-1001.[10]Wilson S G.Digital Modulation and Coding [M ].Beijing :Publishing House of Electronics Industry ,1998.[11]Proakis J G.Digital Communications (Third Edition )[M ].Beijing :Publishing House of Electronics Industry ,1998.作者简介:吴月娴 女,1980年出生于江西景德镇,现在信息工程大学攻读博士学位,主要研究通信信号处理和调制识别技术.E 2mail :wuyuexian @葛临东 男,1946年出生于安徽怀远,教授、博士生导师,主要从事通信信号处理与软件无线电理论和系统研究.许志勇 男,1979年出生于辽宁铁岭,助理工程师,主要研究方向为智能信号处理.587第 4 期吴月娴:常用数字调制信号识别的一种新方法。
基于深度学习的自动调制识别方法综述
ｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１００３－３１１４.２０２２.０４.０１７引用格式:张茜茜ꎬ王禹ꎬ林云ꎬ等.基于深度学习的自动调制识别方法综述[Ｊ].无线电通信技术ꎬ２０２２ꎬ４８(４):６９７－７１０.[ＺＨＡＮＧＸｉｘｉꎬＷＡＮＧＹｕꎬＬＩＮＹｕｎꎬｅｔａｌ.ＡＣｏｍｐｒｅｈｅｎｓｉｖｅＳｕｒｖｅｙｏｆＤｅｅｐＬｅａｒｎｉｎｇ￣ｂａｓｅｄＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎＲｅｃｏｇｎｉｔｉｏｎＭｅｔｈｏｄｓ[Ｊ].ＲａｄｉｏＣｏｍｍｕｎｉｃａｔｉｏｎｓＴｅｃｈｎｏｌｏｇｙꎬ２０２２ꎬ４８(４):６９７－７１０.]基于深度学习的自动调制识别方法综述张茜茜１ꎬ王㊀禹１ꎬ林㊀云２ꎬ桂㊀冠１∗(１.南京邮电大学通信与信息工程学院ꎬ江苏南京２１０００３ꎻ２.哈尔滨工程大学信息与通信工程学院ꎬ黑龙江哈尔滨１５０００１)摘㊀要:自动调制识别(ＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎＲｅｃｏｇｎｉｔｉｏｎꎬＡＭＲ)是复杂电磁环境下的信号感知和识别领域中的重要技术ꎬ广泛应用于频谱感知㊁链路自适应㊁干扰防护等领域ꎮ传统的ＡＭＲ方法主要依赖于人工提取特征㊁决策理论和识别器的选择ꎮ而深度学习(ＤｅｅｐＬｅａｒｎｉｎｇꎬＤＬ)算法直接从海量数据中自动获取信号特征ꎬ同时实现特征提取和识别ꎮ因此ꎬ针对复杂多变的电磁环境中的信号识别问题ꎬ提出了将ＤＬ算法应用于ＡＭＲ任务ꎮ首先ꎬ从数据集㊁信号表示和网络模型三个层面系统地综述基于ＤＬ的ＡＭＲ方法ꎻ其次ꎬ详细总结了针对不同的信号表示所设计的神经网络模型ꎬ其中接收信号可以由专家特征㊁序列和图像来表示ꎻ最后概述了ＡＭＲ存在的问题㊁潜在的研究方向和结论ꎮ关键词:自动调制识别ꎻ信号感知ꎻ深度学习中图分类号:ＴＮ９１９㊀㊀㊀文献标志码:Ａ㊀㊀㊀开放科学(资源服务)标识码(ＯＳＩＤ):文章编号:１００３－３１１４(２０２２)０４－０６９７－１４ＡＣｏｍｐｒｅｈｅｎｓｉｖｅＳｕｒｖｅｙｏｆＤｅｅｐＬｅａｒｎｉｎｇ￣ｂａｓｅｄＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎＲｅｃｏｇｎｉｔｉｏｎＭｅｔｈｏｄｓＺＨＡＮＧＸｉｘｉ１ꎬＷＡＮＧＹｕ１ꎬＬＩＮＹｕｎ２ꎬＧＵＩＧｕａｎ１∗(１.ＣｏｌｌｅｇｅｏｆＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇꎬＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓꎬＮａｎｊｉｎｇ２１０００３ꎬＣｈｉｎａꎻ２.ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇꎬＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙꎬＨａｒｂｉｎ１５０００１ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ａｕｔｏｍａｔｉｃｍｏｄｕｌａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ(ＡＭＲ)ｉｓａｎｉｍｐｏｒｔａｎｔｔｅｃｈｎｏｌｏｇｙｆｏｒｓｉｇｎａｌｓｅｎｓｉｎｇａｎｄｒｅｃｏｇｎｉｔｉｏｎｉｎｃｏｍｐｌｅｘｅｌｅｃ￣ｔｒｏｍａｇｎｅｔｉｃｅｎｖｉｒｏｎｍｅｎｔ.Ｉｔｉｓｗｉｄｅｌｙｕｓｅｄｉｎｃｉｖｉｌａｎｄｍｉｌｉｔａｒｙｆｉｅｌｄｓｉｎｃｌｕｄｉｎｇｓｐｅｃｔｒｕｍｓｅｎｓｉｎｇꎬｌｉｎｋａｄａｐｔａｔｉｏｎꎬｉｎｔｅｒｆｅｒｅｎｃｅｐｒｏｔｅｃｔｉｏｎａｎｄｓｏｏｎ.ＴｒａｄｉｔｉｏｎａｌＡＭＲｍｅｔｈｏｄｓｍａｉｎｌｙｒｅｌｙｏｎｍａｎｕａｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎꎬｄｅｃｉｓｉｏｎｔｈｅｏｒｙａｎｄｓｅｌｅｃｔｉｏｎｏｆｒｅｃｏｇｎｉｚｅｒ.Ｄｅｅｐｌｅａｒｎｉｎｇ(ＤＬ)ａｌｇｏｒｉｔｈｍａｕｔｏｍａｔｉｃａｌｌｙｏｂｔａｉｎｓｓｉｇｎａｌｆｅａｔｕｒｅｓｄｉｒｅｃｔｌｙｆｒｏｍｍａｓｓｉｖｅｄａｔａꎬａｎｄｒｅａｌｉｚｅｓｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎａｔｔｈｅｓａｍｅｔｉｍｅ.ＴｈｅｒｅｆｏｒｅꎬａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｓｉｇｎａｌｒｅｃｏｇｎｉｔｉｏｎｉｎｃｏｍｐｌｅｘａｎｄｃｈａｎｇｅａｂｌｅｅｌｅｃｔｒｏｍａｇｎｅｔｉｃｅｎｖｉｒｏｎｍｅｎｔꎬＤＬａｌｇｏｒｉｔｈｍｉｓａｐｐｌｉｅｄｔｏＡＭＲｔａｓｋ.ＦｉｒｓｔｌｙꎬａｎＡＭＲｍｅｔｈｏｄｂａｓｅｄｏｎＤＬｉｓｓｙｓｔｅｍａｔｉｃａｌｌｙｓｕｍｍａｒｉｚｅｄｆｒｏｍｔｈｒｅｅａｓｐｅｃｔｓ:ｄａｔａｓｅｔꎬｓｉｇｎａｌｒｅｐｒｅｓｅｎ￣ｔａｔｉｏｎａｎｄｎｅｔｗｏｒｋｍｏｄｅｌ.Ｓｅｃｏｎｄｌｙꎬｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｓｄｅｓｉｇｎｅｄｆｏｒｄｉｆｆｅｒｅｎｔｓｉｇｎａｌｒｅｐｒｅｓｅｎｔａｔｉｏｎｓａｒｅｓｕｍｍａｒｉｚｅｄｉｎｄｅｔａｉｌꎬｉｎｗｈｉｃｈｔｈｅｒｅｃｅｉｖｅｄｓｉｇｎａｌｓｃａｎｂｅｒｅｐｒｅｓｅｎｔｅｄｂｙｅｘｐｅｒｔｆｅａｔｕｒｅｓꎬｓｅｑｕｅｎｃｅｓａｎｄｉｍａｇｅｓ.Ｆｉｎａｌｌｙꎬｅｘｉｓｔｉｎｇｐｒｏｂｌｅｍｓꎬｐｏｔｅｎｔｉａｌｒｅｓｅａｒｃｈｄｉ￣ｒｅｃｔｉｏｎｓａｎｄｃｏｎｃｌｕｓｉｏｎｓｏｆＡＭＲａｒｅｓｕｍｍａｒｉｚｅｄ.Ｋｅｙｗｏｒｄｓ:ａｕｔｏｍａｔｉｃｍｏｄｕｌａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ(ＡＭＲ)ꎻｓｉｇｎａｌｓｅｎｓｉｎｇꎻｄｅｅｐｌｅａｒｎｉｎｇ(ＤＬ)收稿日期:２０２２－０３－２２基金项目:科技创新２０３０ 新一代人工智能 重大项目(２０２１ＺＤ０１１３００３)ＦｏｕｎｄａｔｉｏｎＩｔｅｍ:ＳｕｐｐｏｒｔｅｄｂｙＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＩｎｎｏｖａｔｉｏｎ２０３０ＭａｊｏｒＰｒｏｇｒａｍ:ＮｅｗＧｅｎｅｒａｔｉｏｎＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ(２０２１ＺＤ０１１３００３)０ 引言自动调制识别(ＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎＲｅｃｏｇｎｉｔｉｏｎꎬＡＭＲ)是信号检测和解调之间的重要步骤ꎬ它的目的是在不了解信号先验调制信息的情况下ꎬ通过信号处理技术识别出接收信号的调制类型ꎬ其在许多无线通信场景中均发挥着重要的作用[１]ꎮ在军事领域中ꎬＡＭＲ广泛用于信号监测㊁干扰识别和电子对抗等方面[１－４]ꎻ在民用领域中ꎬＡＭＲ广泛应用于无线电管理㊁频谱感知和软件无线电等场景中[５－６]ꎬ因此ＡＭＲ技术被国内学者广泛关注并且深入研究ꎮ传统的ＡＭＲ主要分为基于似然函数的方法[７－８]和基于特征提取的方法[９－１０]ꎮ基于似然函数的识别方法理论上确保了识别结果在贝叶斯最小误判代价准则下是最优的ꎬ然而该方法计算复杂度高且对模型失配和参数偏差比较敏感ꎬ在实际的复杂电磁环境中很难实现[１１－１２]ꎮ而基于特征提取的方法由经典模式识别理论衍生而来ꎬ其本质可视为一种映射关系ꎬ即从信号空间映射到特征空间ꎮ具体来说:一方面ꎬ把高维的接收信号空间映射到维数尽可能小的特征空间ꎬ以降低复杂度ꎻ另一方面ꎬ提取的特征应尽可能地显示出不同调制类型之间的差异ꎬ以取得更好的识别性能ꎮ虽然基于特征提取的方法不是最优的ꎬ但如果能提取到足够多的有效特征ꎬ性能也会接近最优且容易实现ꎮ近年来ꎬ人工智能(ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅꎬＡＩ)的发展日益成熟ꎬ其中机器学习(ＭａｃｈｉｎｅＬｅａｒｎｉｎｇꎬＭＬ)和深度学习(ＤｅｅｐＬｅａｒｎｉｎｇꎬＤＬ)成为ＡＩ研究的主流ꎬ并在图像识别[１３]㊁语音识别[１４]和自动驾驶[１５]等应用领域呈现出压倒性的优势ꎮ通常ꎬ基于ＭＬ的ＡＭＲ方法ꎬ如决策树(ＤｅｃｉｓｉｏｎＴｒｅｅꎬＤＴ)[１６]㊁Ｋ最邻近(Ｋ￣ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒꎬＫＮＮ)[１７－１８]㊁支持向量机(ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅꎬＳＶＭ)[１９－２１]等采用模型驱动的方法ꎬ该方法所提取的特征需要一定的专业知识与经验ꎬ并且还需要得知调制池的先验信息ꎮ一旦假设的信号模型或噪声模型与实际的信号或噪声不匹配ꎬ就会发生误判别ꎮ而基于ＤＬ的ＡＭＲ方法采用数据驱动的方法[２２]ꎬ该方法所使用的网络比以前的神经网络深得多ꎬ它在无需人工干预的情况下从原始数据中自动提取复杂的特征并做出有效的识别决策ꎬ即通过端到端的方式提取和识别信号特征ꎮ最近一些研究表明ꎬＤＬ方法可以克服ＭＬ的一些障碍并在ＡＭＲ领域中实现最先进的性能ꎬ因为它具有从不同调制格式中学习辨别特征的优异能力[２３]ꎮ此外ꎬＤＬ方法已普遍应用于各种通信技术中ꎬ如波束形成[２４]㊁非正交多址接入[２５－２６]和信道估计[２７]等ꎮ基于ＤＬ的ＡＭＲ方法具有强大的特征提取能力和分类回归能力ꎬ能够有效地对调制信号进行预测和识别ꎮＤＬ方法在大数据驱动下ꎬ依靠自主学习分析数据规律ꎮ概括出更多层面更有代表性的数据特征ꎬ从而脱离了对特征工程的依赖ꎬ在图像㊁语音等任务上取得了超过其他算法的效果ꎮ基于ＤＬ的ＡＭＲ方法主要包括卷积神经网络(ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋꎬＣＮＮ)㊁循环神经网路(ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋꎬＲＮＮ)和自动架构搜索(ＡｕｔｏｍａｔｉｃＡｒｃｈｉｔｅｃ￣ｔｕｒｅＳｅａｒｃｈꎬＮＡＳ)等方法ꎮＣＮＮ作为一种重要的具有深层结构且包含卷积计算的前馈神经网络ꎬ其通过权值共享和稀疏连接来降低模型的复杂度ꎬ并从接收信号中自动提取特征信息ꎬ发现接收样本中的特征规律ꎬ从而实现调制信号的有效识别[２８]ꎮＲＮＮ有一个内存来存储它已经从之前的输入数据中学到的输出ꎬ它可以处理一段时间内的向量序列[２９]ꎮ但是ＲＮＮ存在短期记忆问题ꎬ而长短时记忆(ＬｏｎｇａｎｄＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙꎬＬＳＴＭ)作为ＲＮＮ的一种优化算法可以保留较长序列数据中的重要信息ꎬ忽略不重要的信息ꎬ从而解决ＲＮＮ短期记忆的问题ꎮＮＡＳ可以认为是一种任务驱动的方法ꎬ该方法可以根据样本集自动设计出优异的深度神经网络(ＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋꎬＤＮＮ)模型ꎬ而无需大量的专业知识和反复的试验ꎬ降低成本的同时ꎬ甚至会发现人类专家之前未曾提出的网络结构[３０]ꎮ本文将近年来提出的ＡＭＲ方法按照经过预处理后的信号表示方式分为三类:第一类是直接从接收到的信号中提取专家经验特征ꎬ然后再利用神经网络进行识别ꎮＨａｓｓａｎｋ等人[３１]将连续小波变换的高阶统计矩作为特征集ꎬ输入到多层前馈神经网络进行识别ꎬ并利用主成分分析(ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓꎬＰＣＡ)降低网络复杂度ꎬ以提高识别器的性能ꎮＬｉ等人[３２]提出了一种基于抗噪声处理和深度稀疏滤波ＣＮＮ模型的甚高频信号调制识别方法ꎬ首先提取采样信号的循环谱并用低秩表示ꎬ然后采用稀疏滤波对ＣＮＮ进行训练ꎬ以高模型的泛化能力ꎮ第二类是直接将同相正交(Ｉｎ￣ＰｈａｓｅＱｕａｄｒａｔｕｒｅꎬＩＱ)信号作为神经网络输入数据ꎮＷａｎｇ等人[２２]设计的ＣＮＮ模型可以在时变信噪比(ＳｉｇｎａｌｔｏＮｏｉｓｅＲａｔｉｏꎬＳＮＲ)条件下学习ＩＱ样本的特征ꎬ该ＣＮＮ模型具有更强大的识别能力ꎬ且在实际应用中具有更高的鲁棒性ꎮＬｉｕ等人[３３]提出了一种双向卷积选通递归深度网络架构ꎬ其将ＣＮＮ㊁门控循环单元(ＧａｔｅｄＣｉｒｃｕｌａｔｉｏｎＵｎｉｔꎬＧＲＵ)和ＤＮＮ三种网络各自的优点结合起来ꎬ从而实现高精度的调制识别ꎮ文献[３４]提出了一种用于ＡＭＲ的经济且高效的ＣＮＮꎬ其输入为ＩＱ分量ꎮ第三类是将采样得到的ＩＱ信号转换为图像的形式ꎬ如星座图㊁时频图和循环谱图等ꎬ这样就将信号识别问题转换为图像识别问题ꎬ然后利用计算机视觉(ＣｏｍｐｕｔｅｒＶｉｓｉｏｎꎬＣＶ)领域中的ＤＬ算法对其进行识别ꎮ为了在困难的调制类型上获得更高的精度ꎬ文献[３５]设计了基于星座图的模型ꎬ实验结果表明ꎬ即使在低ＳＮＲ的情况下ꎬ该模型也能有效地识别出１６ＱＡＭ和６４ＱＡＭꎮ文献[３６]将接收信号转换为时频图像ꎬ并采用多模融合模型对手工特征与图像特征进行融合ꎬ其采用ＲｅｓＮｅｔ作为特征提取器ꎮ文献[３７]提出一种基于ＣＮＮ二维循环谱图的ＡＭＲ方法ꎬ仿真结果表明ꎬ该系统能有效地识别出ＲａｄｉｏＭＬ２０１６.１０ａ数据集中的１１种调制信号ꎬ且在较高的识别精度下ꎬ只占用较低的内存和计算开销ꎮ１㊀系统模型和问题描述ＡＭＲ系统模型如图１所示ꎮ在发射端ꎬ输入信息ｉ(ｔ)经过调制得到调制信号ｓ(ｔ)ꎮｓ(ｔ)在传输过程中会受到信道衰落和噪声干扰的影响ꎮ在接收端ꎬ接收信号ｘ(ｔ)表示为:ｘ(ｔ)＝ｓ(ｔ)∗ｈ(ｔ)＋ｎ(ｔ)ꎬ其中ꎬｈ(ｔ)代表多径信道ꎬｎ(ｔ)代表加性噪声ꎮ基于ＤＬ的ＡＭＲ方法可以同时实现特征提取和识别ꎬ从而摆脱复杂且困难的人工特征设计部分ꎮ具体而言ꎬ基于ＤＬ的ＡＭＲ通常分为两个阶段:在第一个阶段中ꎬ对接收到的信号进行预处理ꎬ预处理是指对采集到的信号进行分析和处理ꎬ以获得良好的信号表示(如振幅㊁相位㊁星座图或更复杂的特征)ꎻ在第二个阶段中ꎬ利用ＣＮＮ㊁ＲＮＮ和ＮＡＳ等ＤＬ算法来自动提取信号特征并预测信号的调制类型ꎮ前一个阶段比较耗时ꎬ但可以事先离线执行ꎮ而第二个阶段花费时间少ꎬ但需要在线执行ꎬ这有助于在复杂多变的电磁环境中进行实时的ＡＭＲꎮ如图２所示ꎬ本文分别综述数据集㊁信号的表示方式和基于ＤＬ的算法ꎮ图１㊀基于ＤＬ的ＡＭＲ系统模型Ｆｉｇ.１㊀ＤＬｂａｓｅｄＡＭＲｓｙｓｔｅｍｍｏｄｅｌ图２㊀基于ＤＬ的ＡＭＲ方法总体组织结构图Ｆｉｇ.２㊀ＯｖｅｒａｌｌｏｒｇａｎｉｚａｔｉｏｎｃｈａｒｔｏｆＤＬＡＭＲｂａｓｅｄｍｅｔｈｏｄ１.１㊀数据集在数据驱动的ＤＬ模型中ꎬ训练㊁验证和测试神经网络都需要海量的信号数据ꎮ一些研究人员使用Ｍａｔｌａｂ模拟的数据集[３８－３９]ꎬ而另一些研究人员更喜欢使用一些开源数据集[４０－４２]ꎮ文献[４０]提出了一项关于ＭＬ在无线电信号处理领域新兴应用的调查ꎬ并合成了ＲａｄｉｏＭＬ２０１６.１０Ａ数据集ꎮ该数据集基于ＧＮＵＲａｄｉｏ环境生成ꎬ包含１１种调制信号ꎬ每种调制信号包括２０种ＳＮＲꎬ每种ＳＮＲ有１０００个样本ꎬ每个样本有Ｉ和Ｑ两路信号ꎬ每路信号包含１２８个采样点ꎮ此外ꎬ这个数据集有一个更大的版本ꎬ叫做ＲａｄｉｏＭＬ２０１６.１０Ｂ[４１]ꎮ文献[４２]介绍了一个更具挑战性的调制识别数据集ＲａｄｉｏＭＬ２０１８.１０Ａꎬ它包含２４种调制方案ꎬ每种调制信号包括２６种ＳＮＲꎬ每种ＳＮＲ有４０９６个样本ꎬ每个样本有Ｉ和Ｑ两路信号ꎬ每路信号包含１０２４个采样点ꎮ表１总结了关于数据集的调制方案㊁ＳＮＲ范围㊁样本总量以及影响因素ꎮＺｈａｎｇ等人[３８]提出了一种适用于５ＧＮＲ系统的通用信道数据集生成器ꎬ该数据集生成器可以根据用户的需求设置不同的信道参数ꎬ也可以生成大量的多输入多输出(ＭｕｌｔｉｐｌｅＩｎｐｕｔＭｕｌｔｉｐｌｅＯｕｔｐｕｔꎬＭＩＭＯ)信道ꎮＷｅｓｔ等人[３９]介绍了一种用于训练神经网络的新数据集ꎬ以执行宽带信号识别ꎮ表１㊀数据集总结Ｔａｂ.１㊀Ｓｕｍｍａｒｙｏｆｄａｔａｓｅｔ数据集调制池ＳＮＲ范围/ｄＢ样本总量ˑ１０４影响因素ＲａｄｉｏＭＬ２０１６.１０Ａ[４０]１１种:８ＰＳＫꎬＢＰＳＫꎬＣＰＦＳＫꎬＧＦＳＫꎬＰＡＭ４ꎬ１６ＱＡＭꎬ６４ＱＡＭꎬＱＰＳＫꎬＡＭ￣ＳＳＢꎬＡＭ￣ＤＳＢꎬＷＢＦＭ[－２０ꎬ１８]２２载波频率偏移(ＣＦＯ)㊁采样率偏移㊁ＡＷＧＮ㊁多径衰落ＲａｄｉｏＭＬ２０１６.１０Ｂ[４１]１０种:８ＰＳＫꎬＢＰＳＫꎬＣＰＦＳＫꎬＧＦＳＫꎬＰＡＭ４ꎬ１６ＱＡＭꎬ６４ＱＡＭꎬＱＰＳＫꎬＡＭ￣ＤＳＢꎬＷＢＦＭ[－２０ꎬ１８]２０ＣＦＯ㊁采样率偏移㊁ＡＷＧＮ㊁多径衰落ＲａｄｉｏＭＬ２０１８.１０Ａ[４２]２４种:ＯＯＫꎬ４ＡＳＫꎬ８ＡＳＫꎬＢＰＳＫꎬＱＰＳＫꎬ８ＰＳＫꎬ１６ＰＳＫꎬ３２ＰＳＫꎬ１６ＡＰＳＫꎬ３２ＡＰＳＫꎬ６４ＡＰＳＫꎬ１２８ＡＰＳＫꎬ１６ＱＡＭꎬ３２ＱＡＭꎬ６４ＱＡＭꎬ１２８ＱＡＭꎬ２５６ＱＡＭꎬＡＭ￣ＳＳＢ￣ＷＣꎬＡＭ￣ＳＳＢ￣ＳＣꎬＡＭ￣ＤＳＢ￣ＷＣꎬＡＭ￣ＤＳＢ￣ＳＣꎬＦＭꎬＧＭＳＫꎬＯＱＰＳＫ[－２０ꎬ３０]２５５.５９０４ＣＦＯ㊁符号率偏移㊁热噪声㊁多径衰落１.２㊀信号表示方式在基于ＤＬ的调制识别中ꎬ将接收到的信号输入神经网络之前ꎬ需要对信号进行预处理ꎬ从而以恰当的形式作为神经网络的输入数据ꎮ现有的基于ＤＬ的调制识别算法的信号表示主要分为专家特征表示㊁序列表示和图像表示三大类ꎬ表２对这三类信号表示及其特点进行了概述ꎮ表２㊀信号表示方式及特点概述Ｔａｂ.２㊀Ｏｖｅｒｖｉｅｗｏｆｓｉｇｎａｌｒｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓ信号表示特点专家经验表示瞬时特征[４３ꎬ４６－４７]高阶统计特征[４３－４４ꎬ４６]频谱特征[４５ꎬ４８]提取多个特征来表示接收到的信号ꎮ能够取得较好的效果ꎬ但依赖于专家设计和信号条件ꎮ序列表示ＩＱ序列[４９－５３]ＡＰ序列[５４－５８]是一种直观的信号表示方式ꎬ倍受研究人员的欢迎ꎮ图像表示时频图[５９－６３]星座图[６４－６７]循环谱图[３７]受到ＤＬ在计算机视觉领域取得了杰出成就的启发ꎬ将接收到的信号转换成图像形式ꎬ通过图像识别完成调制识别ꎮ１.２.１㊀专家经验表示在特定条件下专家经验特征(包括瞬时参数统计特征㊁高阶统计量特征和频谱特征等)能够取得较好的识别效果ꎬ但该特征依赖于专家设计和信号条件ꎮ文献[４３]将瞬时特征和高阶统计特征等手动提取的特征与ＣＮＮ提取的上下文特征串联ꎬ以解决１１种不同类型的调制识别任务ꎮ文献[４４]中特征提取结构由两个组件构成:第一部分从接收信号中提取四阶累积量ꎬ第二部分从接收到的ＩＱ信号中提取极坐标ꎮ此外ꎬ作者在低ＳＮＲ条件下ꎬ通过使用深度信念网络平台和尖峰神经网络平台ꎬ克服与ＤＬ体系结构相关的执行延迟问题ꎬ有助于提高分类精度ꎮ文献[４５]对于每种调制方案ꎬ针对不同的ＳＮＲ值提取不同的频谱特征(如最大频谱功率密度㊁瞬时相位标准差㊁直接瞬时值的标准偏差等)ꎮ基于所提取的有效特征ꎬ训练神经网络以识别不同的调制类型ꎮＫｉｍ等人[４６]提出了ＤＮＮ的模型ꎬ且从基带信号中提取的２１种不同特征来识别具有低浅层结构的ＢＰＳＫ㊁ＱＰＳＫ㊁８ＰＳＫ㊁１６ＱＡＭ和６４ＱＡＭ信号ꎮ文献[４７]讨论了从接收到的复杂信号中提取的５种特征ꎬ这些特征是通过在不同调制方案下改变ＳＮＲ获得的ꎬ作者采用了前馈神经网络和概率神经网络进行调制识别ꎮＹａｏ等人[４８]使用小波变换峰值搜索对１６ＱＡＭ和６４ＱＡＭ进行识别ꎬ仿真结果表明ꎬ在ＳＮＲ为１０ｄＢ时ꎬ平均识别率提高了１１.５％ꎮ１.２.２㊀序列表示接收信号通常可以用ＩＱ序列和振幅相位(ＡｍｐｌｉｔｕｄｅＰｈａｓｅꎬＡＰ)序列来表示ꎮ文献[４０]首次提出利用ＩＱ序列进行基于ＤＬ的调制识别ꎬ其识别了１１种调制信号(包括８种数字调制类型和三种模拟调制类型)ꎮ随后ꎬ许多研究人员选择使用现有的ＩＱ信号数据集作为ＣＮＮ的输入ꎮ文献[４９]使用纯ＩＱ数据进行模拟实验ꎬ论证了ＣＮＮ㊁残差网络(ＲｅｓＮｅｔ)等网络结构在调制识别任务中的性能ꎬ首次提出识别精度不受网络深度的限制ꎮ文献[５０]使用由两个卷积层和三个全连接层组成的ＣＮＮ来处理正交频分多址(ＯｒｔｈｏｇｏｎａｌＦｒｅｑｕｅｎｃｙＤｉｖｉｓｉｏｎＭｕｌｔｉｐｌｅＡｃｃｅｓｓꎬＯＦＤＭＡ)系统中的ＩＱ序列ꎬ以实现对接收信号高鲁棒的ＡＭＲꎮ此外ꎬ文献[５１]消除了ＯＦＤＭ系统中载波相位的有害影响ꎬ以进一步提高识别的精度ꎮ在文献[５２]中ꎬ超长ＩＱ序列被划分为多个子序列ꎬ以适应不同的序列长度ꎬ并运用迁移学习来提高再训练效率ꎮ文献[５３]研究了在ＭＩＭＯ系统中ꎬ使用多个天线接收的ＩＱ序列的协作调制识别ꎬ与传统的专家设计特征方法相比ꎬ基于ＣＮＮ的协同ＡＭＲ方法具有更好的性能ꎮＣｈｅｎ等人[５４]通过提取ＡＰ信息和数据增强操作ꎬ使得ＤＬ模型具有更强的泛化能力和更高的鲁棒性ꎮＲａｊｅｎｄｒａｎ等人[５５]提出ꎬ通过将ＩＱ数据转换为ＡＰ信息并使用ＬＳＴＭ模型ꎬ以实现良好的识别准确率ꎬ该模型能够自动从训练数据中获得信号的时间特征ꎬ而无需人工提取专家特征ꎮＺｈａｎｇ等人[５６]提出了基于ＣＮＮ￣ＬＳＴＭ的ＡＭＲ双流结构ꎬ一个流从原始的ＩＱ信号中提取局部原始时间特征ꎬ另一个流从ＡＰ信息中学习空间知识ꎮ从两个流中训练的特征成对交互ꎬ丰富了特征的多样性ꎬ进一步提高了模型的性能ꎮＺｈａｎｇ等人[５７]提出一种预处理方法ꎬ即通过将输入数据从ＩＱ序列转换为ＡＰ序列ꎬ并针对此ＡＰ序列设计了一个带有残余块的ＣＮＮꎬ从而形成了一个具有高识别精度的ＡＭＲ系统ꎮ文献[４０]提出了用于ＡＭＲ的ＣＮＮ模型ꎬ其中ＣＮＮ通过使用ＩＱ数据进行训练ꎬ该方法优于基于专家特征的传统方法ꎮ此后ꎬＫｕｌｉｎ等人[５８]采用ＣＮＮ模型对接收信号的ＡＰ信息进行操作ꎬ并获得了轻微的性能改进ꎮ１.２.３㊀图像表示得益于ＤＬ在ＣＶ领域取得了杰出成就ꎬ许多研究人员热衷于将信号识别问题转换为图像识别问题[５９]ꎮＺｈａｎｇ等人[６０]提出了一种基于ＣＮＮ的ＡＭＲ方法ꎬ该方法使用短时傅里叶变换(ＳｈｏｒｔＴｉｍｅＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍꎬＳＴＦＴ)将各种信号转换为时频图像数据集ꎮ文献[３６]利用平滑伪Ｗｉｇｎｅｒ￣Ｖｉｌｌｅ分布和ＢｏｒｎＪｏｒｄａｎ分布将接收到的信号分别转换为二维频谱相关函数图和星座图ꎬ然后将这些图像级联来生成融合特征ꎮ此外ꎬ采用ＣＮＮ分类器以获得更多的判别表示ꎬ从而改善了最终调制识别性能ꎮＺｈａｎｇ等人[６１]提出了一种基于Ｃｈｏｉ￣Ｗｉｌｌｉａｍｓ分布(Ｃｈｏｉ￣ＷｉｌｌｉａｍｓＤｉｓｔｒｉｂｕｔｉｏｎꎬＣＷＤ)的波形盲识别方法ꎬ首先将接收到的信号通过ＣＷＤ转换为二维图像ꎻ然后使用图像二值化和图像去噪算法将它们转换成二值图像ꎮＹａｎ等人[６２]提出将接收信号从循环频域变换到图像域ꎬ用来表征原始信号的鲁棒特征ꎬ从而获得比现有方法更好的识别精度ꎮ文献[６３]进行了一项实验ꎬ根据信号的二次和四次方的傅里叶变换的图像对相移键控调制信号进行识别ꎮ实验表明ꎬ该方法能够良好地识别出低阶相移键控信号ꎮ林等人[３７]提出了一种利用ＣＮＮ对接收信号的二维循环谱图进行识别的方法ꎮＬｕａｎ等人[６４]提出将柯西分数星座图作为脉冲噪声的鲁棒性特征ꎬ并设计了一种基于洗牌单元和选通递归单元作为识别器的轻量级结构ꎬ该方法在不损失性能的情况下ꎬ降低了计算复杂度ꎮＷａｎｇ等人[３５]利用在星座图上训练的ＣＮＮ来识别前一个ＣＮＮ无法区分的１６ＱＡＭ和６４ＱＡＭ信号ꎮＺｈａｎｇ等人[６５]提出一种多尺度ＣＮＮ用于信号星座图的调制识别ꎮ为了克服现有成像方案的不足ꎬ开发了卷积灰度图像ꎮ仿真结果表明ꎬ当ＳＮＲ为４ｄＢ时ꎬ平均识别准确率约为９７.７％ꎬ优于其他方法ꎮＫｕｍａｒ等人[６６]提出了基于星座密度矩阵的调制识别算法ꎬ并使用基于经典ＲｅｓＮｅｔ￣５０的转移学习和ＩｎｃｅｐｔｉｏｎＶ２深度学习模型对信号星座密度生成的彩色图像进行训练ꎮ文献[６７]使用多个类似星座的图像作为数据集ꎬ并采用经典ＡｌｅｘＮｅｔ和ＧｏｏｇＬｅＮｅｔ的转移学习进行调制识别ꎮ２㊀基于ＤＬ算法的ＡＭＲ方法２.１㊀基于ＣＮＮ的ＡＭＲ方法典型的ＣＮＮ结构如图３所示ꎬ输入是经过预处理后的信号数据ꎬ输出是识别结果ꎮ输入数据经过若干个卷积层和池化层后ꎬ在全连接层中实现与输出目标之间的映射[６８]ꎮＣＮＮ的本质上是一种输入到输出的映射ꎮ只要用已知的模式对ＣＮＮ加以训练ꎬ网络就具备了输入和输出之间的映射能力ꎬ而不需要输入和输出之间精确的数学表达式ꎮＣＮＮ的核心思想是局部连接㊁权值共享㊁池化操作和多层使用ꎬ这使其具有更好的泛化能力和鲁棒性ꎬ从而易于训练[１]ꎮＣＮＮ从最初的２０１２年ＡｌｅｘＮｅｔ横空出世[６９]到２０１４年ＶＧＧ[７０]席卷世界以及２０１５年ＲｅｓＮｅｔ[７１]奠定了该领域的霸主地位ꎬ网络模型变得原来越深ꎬ而且也得以证明ꎬ越深的网络拟合效果越好ꎬ但网络相应的参数量急速增加ꎮ随后ꎬ出现一些以牺牲少的准确率为代价的轻量化网络以及为完成不同识别任务而设计的组合网络ꎬ比如分布式学习㊁迁移学习和ＣＮＮ￣ＬＳＴＭ等模型ꎬ不但降低了参数量和计算开销ꎬ同时也满足高精度的识别要求ꎮ图３㊀ＣＮＮ的典型结构Ｆｉｇ.３㊀ＴｙｐｉｃａｌｓｔｒｕｃｔｕｒｅｏｆＣＮＮＷａｎｇ等人[３５]设计了两个ＣＮＮ来识别不同的调制模式(包括ＢＰＳＫ㊁ＱＰＳＫ㊁８ＰＳＫ㊁ＧＦＳＫ㊁ＣＰＦＳＫ㊁ＰＡＭ４㊁１６ＱＡＭ和６４ＱＡＭ)ꎬ系统结构如图４所示[３５]ꎮ图４㊀系统结构Ｆｉｇ.４㊀Ｓｙｓｔｅｍｓｔｒｕｃｔｕｒｅ前一个ＣＮＮ在ＩＱ采样信号上进行训练ꎬ并采用随机失活(Ｄｒｏｐｏｕｔ)代替池化操作ꎬ以获得更好的性能ꎬ但此网络只能将ＱＡＭｓ与其他调制类型区分开ꎮ后一个ＣＮＮ在星座图上进行训练ꎬ以区分１６ＱＡＭ和６４ＱＡＭ信号ꎮ仿真结果表明ꎬ与基准方法相比ꎬ该方法可以获得更好的识别准确率ꎮＧｕ等人提出了一种基于两个ＣＮＮ的盲信道识别辅助的广义ＡＭＲ方法ꎬ其系统架构如图５所示[７２]ꎮ前一个ＣＮＮ在ＩＱ采样信号上进行训练ꎬ以区分盲信道是视距(ＬｉｎｅｏｆＳｉｇｈｔꎬＬＯＳ)信道还是非视距(ＮｏｎＬｉｎｅｏｆＳｉｇｈｔꎬＮＬＯＳ)信道ꎮ后一个ＣＮＮ分别在ＬＯＳ和ＮＬＯＳ信道条件下进行训练ꎬ以识别信号的调制类型(包括２ＦＳＫ㊁ＤＱＰＳＫ㊁１６ＱＡＭ㊁４ＰＡＭ㊁ＭＳＫ和ＧＭＳＫ)ꎮ仿真结果表明ꎬ作者所提出的广义ＡＭＲ方法明显优于传统基于高阶累积量的ＡＭＲ方法ꎮ图５㊀盲信道识别辅助的广泛ＡＭＲ的系统结构Ｆｉｇ.５㊀ＳｙｓｔｅｍａｒｃｈｉｔｅｃｔｕｒｅｏｆｂｒｏａｄＡＭＲａｓｓｉｓｔｅｄｂｙｂｌｉｎｄｃｈａｎｎｅｌｉｄｅｎｔｉｆｉｃａｔｉｏｎＺｈａｎｇ等人提出了一种基于ＣＮＮ的鲁棒ＡＭＲ方法来识别不同的调制类型(包括ＦＳＫ㊁ＰＳＫ和ＱＡＭ)ꎬ系统结构如图６所示[７３]ꎮＣＮＮ在混合ＳＮＲ数据集上进行训练ꎬ以在不同ＳＮＲ环境下提取特征ꎮ该方法在混合ＳＮＲ(范围为－５~５ｄＢ)下用同一个ＣＮＮ识别调制类型ꎬ不仅减少了设备内存还不需要精确的ＳＮＲ估计ꎮ仿真结果表明ꎬ作者所提出的基于广义ＣＮＮ的体系结构比传统的基于固定ꎮ(ａ)方法(ｂ)用混合ＳＮＲ{－５ｄＢꎬ０ｄＢꎬ５ｄＢ}的样本来训练所提出的基于ＣＮＮ的鲁棒ＡＭＲ方法图６㊀基于ＣＮＮ的ＡＭＲ方法的系统结构Ｆｉｇ.６㊀ＳｙｓｔｅｍｓｔｒｕｃｔｕｒｅｏｆＣＮＮｂａｓｅｄＡＭＲｍｅｔｈｏｄ㊀㊀文献[９]提出了一种基于循环熵向量(ＣｙｃｌｉｃＣｏｒｒｅｎｔｒｏｐｙＶｅｃｔｏｒꎬＣＣＶ)的长短时记忆密集连接网络(ＬｏｎｇＳｈｏｒｔ￣ｔｅｒｍＭｅｍｏｒｙＤｅｎｓｅｌｙｃｏｎｎｅｃｔｅｄｎｅｔ￣ｗｏｒｋꎬＬＳＭＤ)的ＡＭＲ方法ꎮ该方法首先从接收信号中提取包含循环平稳二阶特征和高阶特征的ＣＣＶꎬ然后将提取的ＣＣＶ特征放入数据驱动的ＬＳＭＤ中ꎬ该ＬＳＭＤ是由ＬＳＴＭ和密集网络(ＤｅｎｓｅＮｅｔ)组成的ꎮ文献[７４]所提出的体系结构设计为计算轻量卷积结构ꎬ它可以通过降低计算复杂度ꎬ以考虑认知无线电网络的实时通信ꎬ并采用跳连接来提高模型的识别准确率ꎮＨｕａｎｇ等人[７５]提出了一种基于网格星座矩阵的ＡＭＲ方法ꎬ该方法将接收信号中提取的网格星座矩阵作为对比全卷积网络(ＣｏｎｔｒａｓｔＦｕｌｌＣｏｎｖｏｌｕｔｉｏｎＮｅｔｗｏｒｋꎬＣＦＣＮ)的输入ꎮ仿真结果表明ꎬ与现有方法相比ꎬＣＦＣＮ在训练时间较短的情况下具有更好的识别精度ꎮＦｕ等人[７６]提出了一种基于模型聚合和轻量化的分布式学习的ＡＭＲ方法ꎮ其中ꎬ轻量化设计采用可分离ＣＮＮ(Ｓｅｐａｒａｂｌｅ￣ＣＮＮꎬＳ￣ＣＮＮ)ꎬ该网络利用可分离卷积层代替标准卷积层ꎬ并切断大部分全连接的层ꎮ仿真结果表明ꎬ与ＣＮＮ相比ꎬＳ￣ＣＮＮ的复杂度降低了９０％以上ꎬ使得训练效率更高ꎬ而识别准确率降低了不到１％ꎮ表３总结了基于ＣＮＮ的ＡＭＲ方法ꎮ表３㊀基于ＣＮＮ的ＡＭＲ方法总结Ｔａｂ.３㊀ＳｕｍｍａｒｙｏｆＣＮＮｂａｓｅｄＡＭＲｍｅｔｈｏｄ参考文献算法网络配置卷积层池化层全连接层随机失活调制池信号表示信道ＳＮＲ/ｄＢꎻ准确率主要贡献[２２]ＣＮＮ２３ɿＦＳＫꎬＰＳＫꎬＱＡＭＩＱ非高斯白噪声瑞利衰落－５ʒ１ʒ５ꎻ更高的鲁棒性和泛化能力混合ＳＮＲ下训练模型ꎬ无需精确的ＳＮＲ估计ꎻ训练成本低ꎬ无需训练多个ＣＮＮ模型[７７]ＲｅｓＮｅｔ－－－－ＢＰＳＫꎬＱＰＳＫꎬＯＱＰＳＫꎬ８ＰＳＫꎬ２ＦＳＫꎬ４ＦＳＫꎬ１６ＱＡＭꎬ３２ＱＡＭꎬ６４ＱＡＭꎬ１２８ＱＡＭꎬ２５６ＱＡＭꎬ１０２４ＱＡＭꎬ４ＰＡＭꎬ８ＰＡＭꎬ１６ＰＡＭꎬ３２ＰＡＭＩＱꎬ包络频谱ＡＷＧＮꎬ瑞利衰落－１８ʒ２ʒ３０多模态输入ꎬ采用特征融合策略学习联合特征表示ꎻ与但模态调制分类方法相比ꎬ获得更好的性能[６５]ＣＮＮ２３７１ɿＢＰＳＫꎬＯＱＰＳＫꎬ８ＰＳＫꎬ１６ＱＡＭꎬ６４ＱＡＭ星座图ＡＷＧＮ１ʒ１ʒ１４ꎻ９７.７％(ＳＮＲ＝４)所提出的卷积灰度图像具有较低的计算负担ꎻ采用跳连接缓解网络训练时的梯度消失和过度拟合[７８]ＣＮＮ２－２ɿＲａｄｉｏＭＬ２０１６.１０ａＩＱＡＷＧＮ－２０ʒ２ʒ２０ꎻ具有更高的精度提出了一种新的基于激活最大化的滤波器级修剪技术ꎬ该技术省略了不太重要的卷积滤波器ꎬ在该数据集中达到了相同或更高的分类精度[７９]ＣＮＮ４２２ɿ８ＰＳＫꎬＡＭ￣ＤＳＢꎬＢＰＳＫꎬＣＰＦＳＫꎬＧＦＳＫꎬＰＡＭ４ꎬＱＡＭ１６ꎬＱＰＳＫꎬＷＢＦＭＩＱＡＷＧＮꎬ选择性衰落－２０ʒ２ʒ１８ꎻ９１.７％(ＳＮＲ＝１０)使用卷积层㊁ｄｒｏｐｏｕｔ层和高斯噪声层用于正则化和减少系统中的过拟合ꎻ每一层使用少量的滤波器减少系统处理时间续表参考文献算法网络配置卷积层池化层全连接层随机失活调制池信号表示信道ＳＮＲ/ｄＢꎻ准确率主要贡献[５１]ＣＮＮ２－３ɿ{ＢＰＳＫꎬＱＰＳＫꎬ８ＰＳＫ}和{ＢＰＳＫꎬＱＰＳＫꎬ８ＰＳＫꎬ１６ＱＡＭ}ＩＱＡＷＧＮ－１０ʒ５ʒ２０ꎻ１００％(ＳＮＲ＝０)考虑了ＯＦＤＭ系统的载波相位偏移(ＰＯ)ꎻ对不同的数据集具有良好的鲁棒性[７２]２个ＣＮＮ２２４和３ɿ２ＦＳＫꎬＤＱＰＳＫꎬ１６ＱＡＭꎬ４ＰＡＭꎬＭＳＫꎬＧＭＳＫＩＱＬＯＳ和ＮＬＯＳ０ʒ２ʒ１２采用两个ＣＮＮ分别识别信道类型和调制类型[３６]ＲｅｓＮｅｔ１５２－－－－ＢＰＳꎬＱＰＳＫꎬ２ＦＳＫꎬ４ＦＳＫꎬ２ＡＳＫꎬ４ＡＳＫꎬ１６ＱＡＭꎬＯＦＤＭ时频图像ＡＷＧＮ－４ʒ２ʒ８９２.５％(ＳＮＲ＝－４)采用多模态融合模型对手工特征与图像特征进行融合[３５]２个ＣＮＮ２和５０和３４和３ɿＢＰＳＫꎬＱＰＳＫꎬ８ＰＳＫꎬＧＦＳＫꎬＣＰＦＳＫꎬＰＡＭ４ꎬ１６ＱＡＭꎬ６４ＱＡＭＩＱ星座图ＡＷＧＮ－８ʒ２ʒ１８ꎻ９５％(ＳＮＲ＝２)前一个ＣＮＮ中ꎬ采用Ｄｒｏｐｏｕｔ代替池化操作ꎬ以获得更好的性能ꎻ后一个ＣＮＮ训练星座图以区分的１６ＱＡＭ和６４ＱＡＭ[８０]ＣＮＮ４１２－ＯＦＤＭ￣ＱＡＭꎬＦＢＭＣ￣ＯＱＡＭꎬＵＦＭＣ振幅数据ＡＷＧＮꎬ多径衰落－５ʒ１ʒ２０ꎻ平均准确率９７.４％基于ＰＣＡ的处理方法来抑制ＡＷＧＮ并降低ＣＮＮ的输入维数[５２]ＣＮＮ５４３－２ＰＳＫꎬ４ＰＳＫꎬ８ＰＳＫꎬ１６ＱＡＭꎬ１６ＡＰＳＫꎬ３２ＡＰＳＫꎬ６４ＱＡＭ星座图ＡＷＧＮꎬ平坦衰落－６ʒ２ʒ１０ꎻ速度比基于似然的方法快４０~１７００倍自动从长符号率观测序列中特征提取ꎬ并估计ＳＮＲꎻ采用单元分类器来适应不同长度的输入维度ꎻ提出了预训练和微调两步训练ꎬ并引入迁移学习来提高训练效率２.２㊀基于ＲＮＮ的ＡＭＲ方法如图７所示ꎬＲＮＮ与传统神经网络最大的区别在于每次都会将前一次的输出结果ｙꎬ带到本次的隐藏层ｈ中ꎬ并于本次输入数据ｘ一起训练ꎬ其中ꎬＷ{ＷｘꎬＷｈꎬＷｙ}表示共享权重参数ꎮＲＮＮ能够从输入信号中学习时序信息ꎬ通过参数共享以降低网络规模和计算成本ꎮＬＳＴＭ作为ＲＮＮ的一种优化算法可以保留较长序列数据中的重要信息ꎬ忽略不重要的信息ꎬ从而解决ＲＮＮ短期记忆的问题ꎮ图７㊀ＲＮＮ的典型结构Ｆｉｇ.７㊀ＴｙｐｉｃａｌｓｔｒｕｃｔｕｒｅｏｆＲＮＮ文献[８１]中提出了一种最先进的基于ＬＳＴＭ的ＡＭＲ方法ꎬ并将旋转㊁翻转和高斯噪声这三种增强方法应用于ＤＬ算法的训练阶段和推理阶段ꎮ类似地ꎬ文献[８２]针对ＡＭＲ研究了ＲＮＮ和ＬＳＴＭꎮ首先ꎬ将接收到的信号转换成两个归一化矩阵ꎬ作为ＲＮＮ的输入ꎮ然后ꎬ利用四层双通道ＬＳＴＭ提取ＩＱ信号分量和ＡＰ信号分量的序列相关特征ꎮＺｈａｎｇ等人[８３]提出了ＩＱ样本和调制信号的四阶累积量的组合ꎬ然后将组合向量输入到ＣＮＮ和ＬＳＴＭ分类器中ꎮ文献[８４]提出了卷积长短时ＤＮＮ㊁ＬＳＴＭ和ＲｅｓＮｅｔ三种结构ꎬ并通过ＰＣＡ和子采样技术最小化训练数据集的大小来减少训练时间ꎬ同时使分类精度损失最小ꎮ仿真结果表明ꎬ这三种结构在高ＳＮＲ下实现了约９０％的分类精度ꎮ表４总结了基于ＲＮＮ的ＡＭＲ方法ꎮ表４㊀基于ＲＮＮ的ＡＭＲ方法总结Ｔａｂ.４㊀ＳｕｍｍａｒｙｏｆＲＮＮｂａｓｅｄＡＭＲｍｅｔｈｏｄ参考文献算法网络配置调制池信号表示信道ＳＮＲ/ｄＢꎻ准确率主要贡献[８５]ＲｅｓＮｅｔ￣ＬＳＴＭ６个残差块ꎬ１个ＬＳＴＭ层ꎬ３个全连接层８ＰＳＫꎬＡＭ￣ＤＳＢꎬＡＭ￣ＳＳＢꎬＢＰＳＫꎬＣＰＦＳＫꎬＧＦＳＫꎬＰＡＭ４ꎬＱＡＭ１６ꎬＱＡＭ６４ꎬＱＰＳＫꎬＷＢＦＭＩＱＡＷＧＮ－２０:２:１８提出一种对抗性攻击方法来生成虚假信号ꎬ以愚弄基于ＤＬ的分类器[５５]ＬＳＴＭ２个ＬＳＴＭ层ꎬ１个全连接层８ＰＳＫꎬＡＭ￣ＤＡＢꎬＡＭ￣ＳＳＢꎬＢＰＳＫꎬＣＰＦＳＫꎬＧＦＳＫꎬＰＡＭ４ꎬＱＡＭ１６ꎬＱＡＭ６４ꎬＱＰＳＫꎬＷＢＦＭＡＰＡＷＧＮ多径衰落－２０:２:２０ꎻ９０％(ＳＮＲȡ０)开发的基于ＬＳＴＭ的深度学习解决方案使用时域振幅和相位样本ꎬ在高ＳＮＲ下优于最新技术[８６]ＲＮＮ２个ＧＡＭ￣ＨＲＮＮ￣ＧＲＵ层ＢＰＳＫꎬＱＰＳＫꎬ８ＰＳＫꎬ１６ＱＡＭꎬ６４ＱＡＭꎬＢＦＳＫꎬＣＰＦＳＫꎬＰＡＭ４ꎬＷＢ￣ＦＭꎬＡＭ￣ＳＳＢꎬＡＭ￣ＤＳＢＡＰＡＷＧＮ－２０:２:１８ꎻ９２.２％(ＳＮＲȡ０)提出了一种新的分层ＲＮＮ体系结构ꎬ它具有分组辅助内存ꎬ以更好地捕获长期依赖关系模型使用较少的参数ꎬ在处理长度不固定的信号时也具有优势[５４]ＬＳＴＭ１个ＬＳＴＭ层８ＰＳＫꎬＡＭ￣ＤＳＢꎬＡＭ￣ＳＳＢꎬＢＰＳＫꎬＣＦＰＳＫꎬＧＦＳＫꎬＰＡＭ４ꎬＱＡＭ１６ꎬＱＡＭ６４ꎬＱＰＳＫꎬＷＢＦＭＡＰＡＷＧＮ多径衰落－２０:２:１８ꎻ９２.８７％(ＳＮＲȡ０)该方案将随机擦除和注意机制相结合ꎬ实现了较高的分类精度[５６]ＣＮＮ￣ＬＳＴＭ流１:２个ＬＳＴＭ层ꎬ３个卷积层ꎬ１个全连接层ꎻ流２:与流１操作相同８ＰＳＫꎬＡＭ￣ＤＳＢꎬＡＭ￣ＳＳＢꎬＢＰＳＫꎬＣＰＦＳＫꎬＧＦＳＫꎬＰＡＭ４ꎬＱＡＭ１６ꎬＱＡＭ６４ꎬＱＰＳＫꎬＷＢＦＭＩＱＡＰＡＷＧＮ瑞利衰落－６:２:１８ꎻ平均准确率>９０％(ＳＮＲȡ４)它结合了ＣＮＮ在空间特征提取方面的出色性能和ＬＳＴＭ在处理时间序列数据方面的卓越能力ꎬ该方法具有更好的性能[８７]ＣＮＮ＋ＲＮＮ２个卷积层ꎬ１个池化层ꎬ２个ＬＳＴＭ层ꎬ１个全连接层ＢＰＳＫꎬＱＰＳＫꎬ８ＰＳＫꎬ１６ＱＡＭꎬ４ＱＡＭꎬＢＦＳＫꎬＣＰＦＳＫꎬＰＡＭ４ꎬＷＢＦＭꎬＡＭ￣ＤＳＢꎬＡＭ￣ＳＳＢＩＱＡＷＧＮ多径衰落－２０:２:１８ꎻ９２.１％(高ＳＮＲ)充分利用了ＣＮＮ的并行计算能力和ＲＮＮ的时间敏感性２.３㊀基于ＮＡＳ的ＡＭＲ方法ＮＡＳ是解放人力的一种新途径ꎬ它可以针对需要解决的问题自动搜索到最佳的网络结构ꎮＮＡＳ主要分为搜索空间㊁搜索策略和性能评估策略这三个维度ꎬ如图８所示ꎮ图８㊀ＮＡＳ方法的概述Ｆｉｇ.８㊀ＯｖｅｒｖｉｅｗｏｆＮＡＳａｐｐｒｏａｃｈＮＡＳ的原理是给定一个称为搜索空间的候选神经网络结构集合ꎬ用某种策略从中搜索出最优网络结构ꎬ神经网络结构的优劣即性能用某些指标如精度㊁速度来度量ꎬ称为性能评估[８８]ꎮＷｅｉ等人[８９]提出将基于可微的ＮＡＳ方法应用于ＡＭＲ领域ꎮ该方法首先在ＩＱ采样信号上通过梯度下降的方法有效地搜索出基于单元堆叠的最优架构ꎮ然后ꎬ在不同ＳＮＲ环境下训练搜索到的最优网络ꎬ以准确识别出ＢＰＳＫ㊁ＱＰＳＫ㊁８ＰＳＫ㊁１６ＱＡＭ㊁２ＦＳＫ㊁４ＦＳＫ㊁８ＦＳＫ和ＭＳＫ这８种调制信号ꎮ实验结果表明ꎬ基于梯度优化的网络搜索方法比基线网络具有更好的识别精度ꎬ并且在不失精度的情况下ꎬ使用了较少的参数和内存ꎮ。
二次调制信号与PSK类信号的自动盲识别算法
二次调制信号与PSK类信号的自动盲识别算法郭兴林;高勇【摘要】研究了卫星通信中常用的二次调制信号和PSK类信号的自动盲识别算法.从信号时域和频域出发,提取了能反映调制方式差异的瞬时特征,并对这些特征进行了理论分析.在区分非恒包络信号时,引入了自相关处理,改进后瞬时幅度包络特征差异更加明显,在对二次调制信号进行识别时,引入了FM盲解调用于恢复内调制信号,内调制PSK信号的识别采用基于谱线特征的识别算法.最后通过计算机仿真验证了其识别性能,在信噪比不低于4 dB时,对信号集内的信号识别率达到90％以上.【期刊名称】《科学技术与工程》【年(卷),期】2014(014)025【总页数】5页(P87-90,114)【关键词】二次调制;调制识别;FM盲解调【作者】郭兴林;高勇【作者单位】四川大学电子信息学院,成都610065;四川大学电子信息学院,成都610065【正文语种】中文【中图分类】TN911.7二次调制信号被广泛用于卫星遥测控制链路中，在保障卫星正常通信中扮演着重要的角色，近年来二次调制信号的识别也受到了更多的关注。
文献［1］采用谱分析的方法对PM 二次调制信号进行了识别研究，提出了先进行外调制识别，解调后进行内调制识别的逐级识别方案，但未给出信号具体的识别算法流程，文献［2］完成了对PM/BSPK 复合调制信号的数字解调研究，根据由外及内的顺序，首先采用PM 解调算法恢复了PSK 信号，然后采用PSK 解调算法恢复了二进制信息序列，文献［3］采用希尔伯特变换和频域平滑的方法直接对FM-FSK 复合调制信号进行了特征分析和提取，但算法较为复杂且特征不稳定，E.E.Azzouz 和A.K.Nandi 在文献［4，5］中采用基于决策论和神经网络的算法实现了对AM、FM、ASK、PSK、FSK 等信号的调制识别，算法对信号信噪比要求高且神经网络较为复杂。
本文主要针对FM 二次调制信号与调相信号的识别进行了研究，首先分析介绍了二次调制信号的基本原理，然后在基于瞬时特征的基础上提出{BPSK、QPSK、BPSK/FM、QPSK/FM、FSK/FM}的自动调制识别方法，最后运用计算机进行了仿真验证。
一种基于调制谱的空中目标识别方法
一
种 基 于调 制 谱 的 空 中 目标 识 别 方 法
徐 利 刚 ，苗振奎 ，郑 杨凡
摘
（． １ 海军驻无锡地区军事代表室 ，江苏 无锡 ２４６ ； ． 自动化研究 所，江苏 连云港 ２２ ０ ） １０ １ ２ 江苏 ２０６ 要 ：雷达 目标的微 多 普勒特征在 雷达 目 标探 测与识 别 中受到越来越 多的关注，正在成 为 目 标探 测与识 别领域
第３ 卷 ３
Hale Waihona Puke 第 ２期 指挥 控制 与仿 真
Ｃｏ ｍｍａ ｄ Ｃｏ ｔ ｌ Ｓ ｍｕ ａｉ ｎ ｎ ｎｒ ＆ ｉ ｌｔ ｏ ｏ
Ｖｌ － ３ Ｎｏ ２ ０ ３ ｌ ． Ａｐ ． ０ １ ｒ ２ １
２ １年 ４ ０１ 月
文章编号 ：１７ －８ ９２ １）２０ ３ ・３ ６ ３３ １（０ ０ －０ ００ １
ｍｉ ｏＤｏ ｐｅ ｆｒ ｔ ｎ Ｉｓｏ ａｔｅｍ ｔｏ ａ ｅ ｓｄ ｏｃ ｓｉ ｅｅ ｂｅｔ ｅ ｓ ｇ ｈ ａｕｅ ａａ ｃ ． ｐ ｌｒｎｏｍａｉ ．ｔ ｈｗｓｈｔｈ ｅｈ ｄＣ ｂ ｅ ｌ ｓｙｔ ｓ ｊｃｉ ｓ ｉ ｅ ｓ ｒｄｄｔ． ｒ ｉ ｏ ｔ ｎ ｕ ｔ ａ ｆ ｈ ｏ ｖ ｕ ｎ ｔ ｍｅ
的新兴研 究方向。介 绍 了一种基 于调制谱的空 中 目标识别方法，根据 空中 目标回波、综合 时域的幅度信息、时域
的相位信息和频域的微 多普勒信 息，将 空中 目标分为直升机 类 目标 、螺旋桨类飞机 目标和 涡扇类飞机 目标 ，利用
实测数据对结论进行验 证，表 明该 方法可以用来对这些 目标进行 分类。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｕｔ ｍ ａ ｉ ｃ ｇ ｔｏ Ｂａ ｅ ｎ Ｓ ｃ ｒ ｍ ａ ｕｒ ｏ ｍ ｍ ｏ ｏ ｔｃ Ｒｅ ｏ ｎｉｉ ｎ ｓ ｄ ｏ ｐｅ ｔ ｕ Ｆｅ ｔ ｅ ｆ ｒ Ｃｏ ｎ Ｕｓ ｄ Ｍ ｏ ｕｌ ｔｏ ｅ ｄ ａ ｉ ｎｓ
Ｚ ＡＯ ｎ ， Ｈ Ｌａ
（ ．Ｓｉ ｃ ｎ ｅｈ ｏ ｇ ｎＣ ｍ ｎｃｔ ｎＩｆ ｍａｏ ｅｕｉ ｏｔ ｌ ａｏａ ｒ， ｈｊ ｎ ｉ ｉｇ３４ ３ ， ｈ ａ １ ｃ ｎｅａｄＴ ｃｎｌ ｙｏ ｏ ｍｕｉａｏ ｏ ｔ ｎＳｃｒｙＣ ｎ ｏ Ｌｂｒｔ ｙ Ｚ ｅ ａｇＪ ｘ １０ ３ Ｃ ｉ ； ｅ ｏ ｉ ｎｒ ｉ ｔ ｒ ｏ ｉ ａｎ ｎ ２ Ｔ ｅ ６ｈＲ ｓａｃ ｓｔｔ ｏ Ｅ Ｃ， ｈｊ ｎ ａｉｇ３４ ３ ，Ｃ ｉａ ．ｈ ｔ ｅｅｒｈＩ ｔｕｅ ｆ Ｔ Ｚ ｅ ａｇＪ ｘｎ １０３ ｈｎ ） ３ ｎｉ Ｃ ｉ ｉ
别 方法 ， 有基 于信号 瞬 时时域 特征 的 ， 有基 于高 阶矩
０ 引 言
调制识别 ， 是指在接 收方 未知信号调制 方式 的前 提下 ， 通过 己接 收到的信号 ， 断出信号 的调制方 式 。 判
调制 方式是通信信 号 的一个重要 特征 ， 正确 识别未 知
高阶 累积量 的 Ｊ有 基 于 信 号 谱 相 关 的 ， 是 这 些 ， 但
方法存 在着 特征参 数 提 取 困难 、 调制 参 数 变化 较 对 敏感及 识别 种类较 少等 缺 陷。 为弥补上述方法 的不 足 ， 提出 了一种基 于信号 谱
线特征 的调 制方式 自动识别 方 法 。首 先对 信 号功 率 谱、 二次方谱 、 四次方谱 及包络平 方谱进行 了分 析 ， 针 对卫星通信 中常用 的调制方式 ， 出 了一 组无需先 验 提 知识并且对 信 噪 比和 信号调 制参 数不 敏感 的分 类 特
９ ％ 以上 ， ７ 方案 具有很 强 的实 用性 。
关键 词 ： 制识 别 ； 特征 ； 星通信 ； 调 谱 卫 特征提 取 中图分类 号 ：Ｎ １ ． Ｔ ９ １３ 文献标 识码 ： Ａ 文章编 号 ：６ ３５ ９ （ ０ ２ ０ —８ －４ １ ７ — ２ ２ １ ） ２１２０ ６
征参 数 ， 利用 上述 参数设 计 了一套识 别方 案 ， 然后 并 进行 了仿 真 ， 验结果 证 明能取得 较好 的识 别效 果 。 实
摘
要 ： 究 了基 于谱 线特征 的通信 信 号调制 方 式 自动识 别 方法 ， 研 从信 号 的功 率谱 、 次方谱 、 二 四次
方谱及 包络 平 方谱 中 ， 取 出一组 鲁棒性 强 的特征参 数 。在不 需要 先验知 识 的情 况 下 ， 提 对卫 星通信 中常用的调 制信 号进 行 了 自动 识 别 。仿 真 结 果表 明 ， 信 噪 比 大 于 ５ｄ 在 Ｂ时 ， 总体 识 别 率 能 达 到
第 ２期 ２１ ０ ２年 ４月
中鼋 斜譬 限哥 Ｉ 雹； ｑ雹 衩
Ｊｕ ｎ ｌ ｆＣ Ｉ ｏ ｒａ ＡＥ Ｔ ｏ
Ｖ １７ Ｎｏ ２ ｏ． ．
Ａｐ ． ２０１ ｒ ２
基 于 谱 线 特 征 的 调 制 方 式 自动 识 别 方 法
赵 岚 ， ３４３ ； １０３ ３４３ ） １０３ （ １ 通信信 息控 制和安 全技 术重 点 实验 室， 江嘉 兴 浙 ２ 中 国电子 科技 集 团公 司第 ３ ． ６研 究所 ， 浙江嘉 兴