杜志毅，张澄安，徐 强，李保国

（国防科技大学电子信息系统复杂电磁环境效应国家重点实验室，湖南长沙410073）

0 引言

信号的自动调制识别[1-2]是指已知信号所在调制集合，利用相关技术正确识别目标信号调制类型。随着通信技术的发展，各种新型调制方式不断出现，调制识别技术需要不断发展以适应不同情况下的识别要求。

现有的有关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[3-4]。但是这些方法多数为模型驱动，需要对信号进行预处理。另外其适应信道环境单一，在复杂信道环境时识别性能较差。传统的特征提取方法是基于统计资料的[5]，因此分类结果易受环境变化影响。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，不能像深度学习一样自主提取出信号的特征。因此这些方法在复杂的信道环境下识别准确率不会很高，在实际的通信系统中难以使用。

深度学习的方法[6-7]被认为是突破性能瓶颈的有效方法[8]。Xie等人提出了一种改进的深度神经网络识别方法网络(DNN)[9]。Aslam等将基因编程(GP)和KNN结合起来准确识别4种调制模式[10]。与上述方法不同，本文提出了一种基于注意力机制的双向LSTM卷积神经网络（BLACN)。其通过对同向正交IQ样本进行训练,利用卷积神经网络优秀的特征提取能力，实现对复杂调制方式识别特征的提取。并通过注意力机制和双向LSTM关注信号的关键特征与时序信息来提高信号的识别准确率。……