王洋， 冯永新， 宋碧雪， 田秉禾

(沈阳理工大学 辽宁省信息网络与信息对抗重点实验室， 辽宁 沈阳 110159)

0 引言

认知化是未来电子对抗技术发展的必然趋势，认知化电子对抗系统通过对周边环境信息的感知，并融合动态历史资源库形成完备的作战策略，从而提升信息对抗的作战效能[1]。

当前随着通信终端数量的与日俱增，电磁环境复杂化、调制波形先进化以及频谱拥塞等多种因素均给信息感知带来巨大困难。调制方式的识别是信号分析的先决条件，对认知化电子对抗系统的发展有着重大的意义。

目前，常见的调制识别算法有两类，Huang等[2]和Shi等[3]提出的基于最大似然估计的调制识别算法，其思想是在对信号特征量统计分析的基础上，采用概率理论、决策理论及假设检验理论实现信号的识别，该算法受限于计算量大和复杂度高的问题，难以在实际中应用。张笑宇等[4]、Dong等[5]、Liang等[6]提出的基于特征分类识别的算法，利用信号时域瞬时特征、高阶统计量特征以及变域特征等进行分类。当信噪比大于5 dB时，该算法可对给定信号调制方式实现有效的识别，但当信噪比低于5 dB时，其识别能力明显下降。

近年来，深度学习在调制自动识别领域得到了广泛的应用[7]，目前基于深度学习的调制自动识别算法主要包含两类：一类是基于特征图像的识别算法，包括目标信号的时频特征图[8]、星座图[9]、高阶谱相关图[10]等，此类算法在特征解释上有较强的说服力，不过在图像生成前的预处理及图像输入网络模型后的处理上都将产生额外的资源开销；……