邵敏兰， 周鸿渐， 张浩然

（南京信息工程大学a.总务处；b.教务处；c.电子与信息工程学院，南京210044）

0 引 言

自动调制识别（Automatic Modulation Recognition，AMR）是解调前的一项重要的技术，主要应用于军事中的电子战［1］和民用领域中的非法监管。AMR技术还可提高认知无线电［2］和软件无线电［3］中的频谱使用效率［4］。研究高效可靠的调制识别技术具有重要学术价值和工程实践意义。

AMR算法分为两类：一是基于决策理论的最大似然假设检验识别算法，包括广义似然比、平均似然比和混合似然识别算法［5］；二是基于特征提取的模式识别算法［6］。由于后者的计算量小，所需先验信息少，所以基于特征提取的模式识别算法被广泛研究，主要步骤有：数据预处理，特征提取和分类识别。常用的信号特征包括高阶累积量［7］、小波特征［8］和信号瞬时特征［9］等。分类识别算法有：支持向量机（Support Vector Machine，SVM）［10］，K最邻近（K Nearest Neighbor，KNN）［11］和朴素贝叶斯等［12］，这些算法需要进行提取专家特征的过程，且识别准确率较低。因深度学习算法在图像识别领域中表现出优势［13］，众多研究者将其引入各种模式识别的应用场景。深度学习算法中的卷积神经网络可以高效记忆和学习样本特征，并且对数据没有附加的特征提取要求，因此适合应用在调制信号的分类识别中。

利用卷积神经网络进行自动调制信号识别，主要的工作如下：为符合实际的信号传输环境，采用国际标准的调制信号数据集RaidoML2016.10a。将数据集中的信号IQ分量直接作为神经网络的输入，避免传统特征提取的计算步骤；……