毛红霞

(成都锦城学院计算机与软件学院， 四川 成都 611731)

0 引言

自动调制识别技术能够识别出特定通信信号的调制方式，在民用与军用领域有着较大的应用前景。目前主流的调制识别方法有两种：基于传统特征量的方法和基于深度学习的方法[1]。其中，基于传统特征量的方法通常首先提取接收信号的特征量，再通过一定的分类器进行分类。这些特征量主要包含瞬时特征统计量[2]、高阶统计量[3]、循环累积量、相关谱特征[4]等。该类方法中，所采用的分类器包含基础的门限分类器、决策树(decision tree)、支撑向量机(support vector machine)等机器学习通用分类器[5-6]。这些方法中，人为定义的特征往往受到不同信噪比、不同信道模型、不同参数估计精度(如载频、符号速率等)等因素的较大影响，因此其识别率在实际的应用中受到较大的影响。基于深度学习的调制识别方法中，文献[7]通过设计的卷积神经网络(convolutional nerual network, CNN)对11种调制数据进行分类，综合识别率达到了84%；文献[8]利用了开源的数据，利用循环神经网络(recurrent neural network, RNN)进行了调制识别；文献[9]综合研究了不同的深度神经网络对调制识别正确率的影响，这些网络结构除了CNN、RNN，还包含残差网络(ResNet)[10]、inception网络、卷积长短时网络(convolutional long-short deep neural network, CLDNN)等，发现了采用CLDNN网络在网络复杂度和训练时间有所提升的情况下，其识别率最佳；文献[11]研究了基于分离通道联合卷积网络的调制识别方法，并且证明了其相比于CNN网络和传统特征提取方法识别率有较明显的提高；文献[12]研究了基于VGG-19网络的调制识别方法，其利用试解调后的星座图作为输入，实现了对不同阶数的QAM信号的识别。……