杜志毅，李保国，张澄安，徐 强

（国防科技大学，湖南 长沙 410073）

0 引言

正交频分复用技术（Orthogonal Frequency Division Multiplexing，OFDM）是一种在通信领域有着广泛应用的多载波调制技术。随着通信技术的迅猛发展，在复杂电磁环境下，信号调制方式识别对信号的后续处理解调显得十分关键与紧迫。

OFDM 信号是一种多载波调制信号，这导致其识别过程与其他单载波调制信号不同。识别OFDM信号首先需要确定接收到的信号是单多载波信号中的哪一种，因为这是解调OFDM 信号过程的先决条件，也为识别其他单载波信号提供了帮助。

现有关于调制识别的大多数技术一般都是基于特征提取和机器学习分类算法[1-2]。但这些方法多数为模型驱动，需要对信号进行预处理，其适应信道环境单一，因此在复杂信道环境时识别性能较差。另外因为传统的特征提取方法是基于统计资料[3]，所以分类结果易受环境变化影响。然而，基于机器学习的调制识别方法也是需要人为提取信号的特征，不能像深度学习方法自主提取出信号特征。所以这些方法在复杂信道环境下识别准确率不会很高。

深度学习的方法[4-5]被认为是突破性能瓶颈的有效方法[6]。在此基础上，本文提出了一种基于改进的ResNet 深度学习网络的调制识别方法（Improved ResNet based Modulation Classification method，IRMC）。IRMC 采用了缩放指数型线性单元SeLU 激活函数来对抗Dead ReLU 的问题，并且降低了卷积核的大小，大大减少了运算的复杂度。实现了单载波信号和OFDM 信号的有效区分。

本文以下内容共分为4 个部分：第1 节介绍系统模型和OFDM 信号模型；……