杨 洁, 夏 卉

(西安邮电大学 通信与信息工程学院， 西安 710121)

0 引言

自动调制识别(automatic modulation recognition，AMR)是一种在不知道接收信号调制类型的情况下，自动对信号调制类型进行分类的过程，AMR在民用和军事实际应用中发挥着重要作用[1]。AMR算法可以分为两类：基于似然(likelihood-based,LB)的方法和基于特征(feature-based,FB)的方法。LB方法利用概率论、假设检验理论和决策准则等来解决信号调制识别问题,虽然LB方法可以获得最佳结果，但是计算复杂度很高。FB方法从接收信号中提取若干特征然后用分类器进行识别分类，其中提取的特征包括基于瞬时特征[2]、高阶累计量[3]、循环谱技术[4]、时频分析[5]等，在分类过程中，分类器主要包括决策树[6]、支持向量机[7]、人工神经网络[8]等，FB方法大大降低了计算复杂度。但不论是LB方法还是FB方法都需要大量的先验知识支撑，只适用于特定信号的识别，局限性较大。

针对以上问题深度学习方法被用于自动调制识别。Ao Dai等人[9]使用堆叠稀疏自动编码器，提出从信号的模糊函数提取特征的方法，S.Jeong等人[10]研究通过短时傅里叶变换生成频谱图和卷积神经网络(convolutional neural network, CNN)模型结合的方法进行识别，李永乐等人[11]研究了一种通过循环谱图和CNN模型结合的调制识别方法。以上方法缺点是在低信噪比情况下识别率仍然很低。

基于上述分析，本文研究了一种复基带信号与CNN结合的方法，并提出了CNN模型，这种方法直接从数据中自动学习信号特征。该模型首先仿真生成不同信噪比下的七类调制信号，然后将接收到的信号处理为复基带IQ两路信号，对信号进行预处理后作为实验的数据集，用该数据集来训练CNN模型、调整超参数，最后利用训练好的CNN模型对七类通信信号就行识别分类。……