杨安锋 赵知劲 陈 颖

(杭州电子科技大学通信工程学院，浙江杭州 310018)

1 引言

通信信号的调制样式识别是频谱管理、智能调制解调、信号确认、无线电侦听、电子对抗和威胁分析等领域[1]的关键技术。国内外大量学者对此做了深入研究，传统的调制样式识别方法包括特征参数提取和分类器两部分。文献[1- 8]通过提取信号包络统计特征、时域瞬时特征、谱特征以及高阶累积量特征等作为特征参数，分类器采用基于决策树算法，完成了多种调制信号经过高斯或者多径衰落信道的调制识别。文献[9]提出一种利用局部密度和距离特征对MFSK信号调制样式识别的方法，识别性能较好。但是这些算法的缺点是识别性能受判决门限影响，尤其对于特征参数区分度较小的信号，门限值的微小偏差对算法识别性能影响非常大。为了解决决策树分类识别方法受判决门限影响问题，文献[10]提取高阶累积量、功率谱峰值、能量密度、瞬时频率包络系数作为特征参数，利用支持矢量机作为分类器完成8种信号的调制样式识别。文献[11]提取信号的11种特征参数，并采用高斯过程方法进行拟合和识别，实现了对11种模拟和数字调制信号的识别。文献[12]提出一种基于记忆因子的CPM信号的最大似然调制识别新方法，通过计算映射符号后验概率构造记忆因子，进一步结合CPM分解和EM算法，推导了CPM信号似然函数，在低信噪比下完成8种CPM信号的识别。

深度学习(Deep Learning)模型从底层级特征提取抽象不变的高层属性特征，实现复杂的非线性函数逼近，比浅层模型泛化能力强、刻画数据本质信息更丰富。……