韩 璐

（92941部队44分队 葫芦岛 125000）

1 引言

在通信传输技术中，通信信号的识别是一个重要的研究方向，特别是在空间通信、卫星通信、水下通信等领域。信号识别受传输环境、信号幅度因子、频率因子和相位因子的约束，尤其是在衰落信道条件下。

在相关研究文献中，对于通信信号识别有两种研究趋势，一种趋势是基于特征参数估计的极大似然函数方法，通过估计参数可以优化最大似然法，例如调制模式、载波频率、相位、信道响应等，然而，在特定的多径衰落信道环境下，多径衰落引起的载波不同步、相位噪声、定时异步会严重影响信号识别［1～3］。另一种趋势是基于信号统计特征进行信号识别，通过获得不同的统计特征特征，如高阶累积量、小波特征、多维信号特征等。大多数通信信号识别算法都在AWGN范围内。事实上，由于信道多径衰落，许多信号识别算法的应用已经大大减少［4～6］。近几年来，由于人工智能领域的快速发展，研究者们将人工智能学习算法引入到信号识别中，并给出了相关的理论推导证明。

本文针对多径衰落信道中的信号识别问题，提出了一种基于深度学习网络的深度学习体系结构。通过能量自然对数模型建立了DLN，通过幅值加权子网络、相位加权子网络和频率加权子网络，能够有效地降低BER。

2 系统模型和问题阐述

定义通信系统通过AWGN，其噪声环境符合均值为0、方差为的高斯分布，代表模数采样加性AWGN信号的均值和方差。具体来说，AWGN信号通过相关接收或匹配滤波器，形成离散随机过程的均值为0，方差为的输出信号。……