信號調(diào)制模式識別研究

摘要：本文簡要介紹了調(diào)制模式識別過程中使用的一般框架，詳細論述了三類主流的調(diào)制模式識別方法，對調(diào)制模式識別方法的研究前景和思路進行了展望，即：聚焦在線調(diào)制模式識別方法進行深入研究；提高低信噪比場景下的調(diào)制模式識別精度；設(shè)計更豐富的信號特征；設(shè)計更輕量級的調(diào)制模式識別神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞：調(diào)制模式識別；最大似然估計；神經(jīng)網(wǎng)絡(luò)

調(diào)制模式識別是信號檢測和信號解調(diào)之間的一個重要環(huán)節(jié)，這種技術(shù)能夠在不知道通信系統(tǒng)某些參數(shù)的情況下獲取信號中包含的信息，從而識別信號的調(diào)制類型。由此可見，對調(diào)制模式進行正確的識別是接收端解調(diào)信號的先決條件，也是無線通信的關(guān)鍵環(huán)節(jié)。

傳統(tǒng)的調(diào)制模式識別流程通常包含三個步驟，即信號預(yù)處理、特征參數(shù)計算和分類器的選擇與訓(xùn)練。其中，信號預(yù)處理步驟包含噪聲抑制、載波同步等技術(shù)；特征參數(shù)計算是基于預(yù)處理后的數(shù)據(jù)，利用工具計算出信號的瞬時特征、統(tǒng)計特征以及圖像特征等不同維度的特征；最后，需要對合適的分類器進行篩選，并對其進行訓(xùn)練并驗證。隨著通信技術(shù)和移動網(wǎng)絡(luò)的高速發(fā)展，設(shè)備數(shù)量增多，信息密度增大，應(yīng)用場景也日趨復(fù)雜，傳統(tǒng)的調(diào)制模式識別技術(shù)逐漸變得難以滿足當下的需求。因此，如何高效、準確地對調(diào)制模式進行識別，是一項亟待解決的技術(shù)難題。

一、調(diào)制模式識別的研究現(xiàn)狀

關(guān)于調(diào)試模式識別的研究，主要分為三類：基于最大似然估計的調(diào)制模式識別方法，基于特征提取的調(diào)制模式識別方法，以及基于深度學(xué)習(xí)的調(diào)制模式識別方法。

基于最大似然估計的調(diào)制模式識別方法可在理論上達到極高的識別率，但因依賴已知參數(shù)且似然函數(shù)的計算異常復(fù)雜，因而在實際應(yīng)用的過程中往往達不到預(yù)期的效果?；谔卣魈崛〉恼{(diào)制模式識別方法首先提取信號的瞬時特征、統(tǒng)計特征及圖特征，然后再將獲取的特征與理論值進行比較、匹配，進而完成調(diào)制模式識別。其優(yōu)點在于需要的先驗知識少、理論分析簡單、效率高，缺點在于需要構(gòu)造合適的特征空間，并且尋找泛化能力強的分類器。隨著近年來人工智能的飛速發(fā)展及神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，已有學(xué)者將深度學(xué)習(xí)方法應(yīng)用在調(diào)制模式識別領(lǐng)域，其中最常用的模型包含卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）?；谏疃葘W(xué)習(xí)的調(diào)制模式識別方法的基本思想是：首先向神經(jīng)網(wǎng)絡(luò)中輸入大量帶標記的調(diào)制信號數(shù)據(jù)集，然后自動學(xué)習(xí)并提取標注數(shù)據(jù)集中的信號特征，最后根據(jù)特征完成分類進而完成調(diào)制模式識別，整個過程不需要人工進行信號特征提取，并且可以達到很高的識別準確率。其優(yōu)點在于不依賴專家經(jīng)驗并且無需手動進行特征提取，然而如何選擇網(wǎng)絡(luò)模型及設(shè)置網(wǎng)絡(luò)參數(shù)成為影響運行效率及識別正確率的關(guān)鍵因素。

近年來，不斷有學(xué)者針對調(diào)制模式識別所用到的技術(shù)及方法進行總結(jié)，林沖等[1]發(fā)現(xiàn)從2005年開始，研究調(diào)制模式識別的文獻數(shù)量呈現(xiàn)明顯逐年上升趨勢。

二、常見調(diào)制模式識別方法

（一）基于最大似然估計的調(diào)制模式識別方法

基于最大似然估計的調(diào)制模式識別方法被視為多假設(shè)問題，并通過最大似然準則使信號誤分類概率最小化，從而實現(xiàn)理論上的最優(yōu)識別。識別方法的關(guān)鍵在于構(gòu)建信號的似然函數(shù)并設(shè)置適當?shù)拈撝?，因此，在使用這種方法時，需要花費大量精力構(gòu)建似然函數(shù)，并對閾值進行不斷調(diào)整。

Hameed等[2]探索了基于最大似然估計的調(diào)制模式識別方法在線性數(shù)字調(diào)制分類中的性能，結(jié)果表明當使用信號振幅、相位和噪聲功率作為未知參數(shù)時，準混合自然比測試方法的計算復(fù)雜度遠遠小于混合似然比測試方法。Ramezani-Kebrya[3]提出了一種新的調(diào)制模式識別算法，通過優(yōu)化組合對數(shù)似然函數(shù)，將識別正確率提高到接近理論極限。

（二）基于特征提取的調(diào)制模式識別方法

基于特征提取的調(diào)制模式識別方法的優(yōu)點在于，不需要嚴格推導(dǎo)出信號的似然函數(shù)，只需要能夠提取不同信號的代表特征并尋找泛化能力強的分類器。因此，基于特征提取的調(diào)制模式識別方法因其計算復(fù)雜度低、精度高等優(yōu)勢在實際工程中經(jīng)常被應(yīng)用。在整個識別過程中，特征提取和分類器設(shè)計是兩個非常重要的步驟，其中，信號特征總體可以分為5類：瞬時特征、變換域特征、圖特征、統(tǒng)計特征及過零特征，如圖1所示。

圖1 信號特征分類

信號的瞬時特征不需要任何參數(shù)估計，對預(yù)處理的要求也不高，但在衰減信道中，它們很容易發(fā)生波動，導(dǎo)致分類器的學(xué)習(xí)能力受限；變換域特征通常通過將信號轉(zhuǎn)換到傅里葉和/或小波域，并進行不同的預(yù)處理和后處理操作，如平滑、歸一化和中值濾波，往往需要較強的專業(yè)知識；信號的高階統(tǒng)計特征具有較強的抗噪能力，在提取弱特征時具有一定的優(yōu)勢，在低信噪比的情況下具有較好的識別能力；信號的圖特征是將信號進行轉(zhuǎn)換，并映射到二維或者三位空間，然后借助機器學(xué)習(xí)在圖像領(lǐng)域的強大學(xué)習(xí)能力，對信號進行分類；信號的過零特性是指輸入信號越過零電壓電平時的采樣時間，其優(yōu)點在于可獲取接收波形相位轉(zhuǎn)換相關(guān)的有用信息。

Liedtke[4]提出了一種數(shù)字調(diào)制模式識別方法，該方法利用信號的直方圖幅值、頻率和差分相位直方圖以及幅值方差和頻率方差等特征函數(shù)，并對信號進行分類。Azzouz[5]通過提取信號的瞬時特征來識別數(shù)字調(diào)制模式類型。隨后學(xué)者們通過提取信號的高階累積特征、循環(huán)譜特征、高階譜特征作為分類器的輸入，以提高信號正確識別率。

（三）基于深度學(xué)習(xí)的調(diào)制模式識別方法

深度學(xué)習(xí)是一種強大的人工智能技術(shù)，它可以從大量數(shù)據(jù)中學(xué)習(xí)特征并擬合非線性網(wǎng)絡(luò)，因此被廣泛應(yīng)用于計算機視覺、自然語言處理和語音識別等領(lǐng)域，并取得了巨大的成就。因此，近年來相關(guān)研究人員已將深度學(xué)習(xí)應(yīng)用于通信領(lǐng)域，為通信技術(shù)特別是調(diào)制模式識別研究的發(fā)展帶來了新的機遇。

從本質(zhì)上講，基于深度學(xué)習(xí)的調(diào)制模式識別方法是一種基于特征的識別方法，需要提取信號的特征。然而，深度學(xué)習(xí)可以自動提取信號特征并進行分類，從而取代傳統(tǒng)識別算法中依靠專家經(jīng)驗提取特征的步驟，并且識別率更高?；谏疃葘W(xué)習(xí)的調(diào)制模式識別主要分為兩種方式，一種是直接使用接收機截獲的原始信號，作為神經(jīng)網(wǎng)絡(luò)的輸入；另一種是首先對原始信號進行預(yù)處理，提取信號的瞬時特征、統(tǒng)計特征、圖像特征、變換域特征、過零特征，并對特征進行組合，然后作為神經(jīng)網(wǎng)絡(luò)的輸入。深度學(xué)習(xí)領(lǐng)域提供了多種不同類型的神經(jīng)網(wǎng)絡(luò)模型，其中，調(diào)制模式識別研究中最常用到的包括卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)多用來處理圖像特征，遞歸神經(jīng)網(wǎng)絡(luò)主要針對時序特征進行建模。

1.基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識別

卷積神經(jīng)網(wǎng)絡(luò)是最流行、最成功的深度學(xué)習(xí)框架之一，它由多個卷積層、池化層和全連接層組成。卷積層可以提取輸入數(shù)據(jù)的不同特征，池化層可以將卷積后的高維特征降維以提高計算速度，全連接層可以將之前提取的局部特征合并為全局特征，最后根據(jù)特征完成分類。其流程圖如圖 2所示。

圖2 基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識別流程

Quan[6]等提出了一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)和特征融合的識別方法。作者使用小波變換方法將信號轉(zhuǎn)換為時頻圖，并對時頻圖進行灰度處理，然后將其輸入雙通道卷積神經(jīng)網(wǎng)絡(luò)模型。該模型可從信號時頻圖中提取兩個特征，即定向梯度和深度特征直方圖，最后將兩個特征融合并進行分類，當信號的信噪比為6dB時，識別率可達95%以上。

Lv[7]等提出了一種新的基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識別方法。作者使用恒定模量算法獲取均衡后的調(diào)制信號樣本并繪制幅值直方圖，然后使用基于視覺幾何組（VGG）設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)提取幅值直方圖的特征來進行分類和識別。當模型經(jīng)過2500次訓(xùn)練后，對QPSK、8-QAM和16QAM信號的識別率達到了100%，同時驗證了卷積神經(jīng)網(wǎng)絡(luò)可以根據(jù)信號的直方圖識別信號的調(diào)制模式。

Liu[8]等提出了數(shù)據(jù)增強調(diào)制模式識別方法。作者首先根據(jù)輸入的IQ信號計算出振幅、相位和頻率，并將它們作為最基本的信號特征。其次，根據(jù)調(diào)制信號在星座圖中的分布，重新排列其相序，從而獲得新的特征。然后，獲取信號高階頻譜信息所提供的識別線索。最后，將IQ信號、信號的幅頻相位、重新排序的IQ序列、重新排序的幅頻相位以及信號的高階頻譜輸入改進的卷積神經(jīng)網(wǎng)絡(luò)，用于信號的分類和識別。實驗結(jié)果表明，該算法的平均識別率超過95%。

為了便于分析和比較，表 1以時間順序為主，列出了2021年—2023年一些主要的基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識別研究方法。

2.基于遞歸神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識別

遞歸神經(jīng)網(wǎng)絡(luò)是一種特殊類型的網(wǎng)絡(luò)，它包含環(huán)和自重復(fù)，通過遞歸連接的概念進行擴展。因此，每個單元都有兩個輸入：過去和現(xiàn)在，使用過去的信息會產(chǎn)生短期記憶，所以遞歸神經(jīng)網(wǎng)絡(luò)被廣泛用于處理順序任務(wù)。其工作流程如圖 3所示：

圖3 基于遞歸神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識別流程

Zhang[15]等提出了一種基于長短時記憶網(wǎng)絡(luò)（LSTM）的低信噪比調(diào)制模式識別方法。該研究利用長短時記憶網(wǎng)絡(luò)構(gòu)建信噪比分類器、去噪自動編碼器和識別分類器。信噪比分類器由3個長短時記憶網(wǎng)絡(luò)層和1個全連接層組成，可根據(jù)設(shè)定的閾值將信號分為低信噪比信號和高信噪比信號。去噪自動編碼器由5個雙向長短時記憶網(wǎng)絡(luò)層組成，可以對低信噪比信號進行去噪。最后，設(shè)計了基于長短時記憶網(wǎng)絡(luò)的調(diào)制模式識別結(jié)構(gòu)。實驗結(jié)果表明，基于長短時記憶網(wǎng)絡(luò)的調(diào)制模式識別模型在信噪比為0～8dB時，平均識別率可達90%以上。

Wei[16]等利用自注意機制與雙向長短時記憶網(wǎng)絡(luò)相結(jié)合的模型對調(diào)制模式進行識別。該方法能在低信噪比條件下準確識別8種調(diào)制信號，在-10dB時識別率高達95%。

Kong[17]等人提出了一種基于變換器的連接序列神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。首先使用卷積層將信號的時域序序列映射到高維空間，然后使用變換編碼器完成信號的特征提取，最后使用全連接層完成信號分類。實驗表明，該模型可以很好地完成10種調(diào)制信號的分類。

為了便于分析和比較，表 2以時間順序為主，列出了2021至2023年一些主要的基于遞歸神經(jīng)網(wǎng)絡(luò)的調(diào)制模式識別研究方法。

三、展望

目前主流的研究都是基于閉集數(shù)據(jù)的離線學(xué)習(xí)，而且模型參數(shù)學(xué)習(xí)過程過于復(fù)雜且計算量龐大。然而當數(shù)據(jù)集中引入新的數(shù)據(jù)元素時，必然會引起樣本分布的變化，這意味著需要重復(fù)上述過程對模型參數(shù)進行重新調(diào)整。在真實環(huán)境下，隨著采樣數(shù)據(jù)的不斷累積，傳統(tǒng)的離線學(xué)習(xí)方式難以滿足目前真實環(huán)境的需要，因此要滿足動態(tài)變化的需求，則必然需要對在線調(diào)制模式識別方法進行深入研究。

（一）提高低信噪比場景下的調(diào)制模式識別精度

目前關(guān)于調(diào)制模式識別主流的研究主要集中在高信噪比環(huán)境下，并且取得了豐碩的成果，信號整體識別準確率高達90%以上，對于OOK、4ASK、BPSK、QPSK等信號，識別率甚至達到了100%。然而，在低信噪比環(huán)境下，多數(shù)信號會被噪聲淹沒，造成信號特征計算不準確、模型泛化能力差等問題，從而導(dǎo)致整體識別率降低，在信噪比為-5dB時，多數(shù)信號的識別率不超過20%。因此，如何提高在低信噪比條件下信號的識別率，也成為今后，一個重要的研究方向。

（二）設(shè)計更豐富的信號特征

在現(xiàn)有基于特征的調(diào)制模式識別算法中，對于特征的選取主要集中在專家特征方面，包括瞬時特征、變換域特征、統(tǒng)計特征等。在特征的選擇與應(yīng)用方面，學(xué)者們?nèi)〉昧素S碩的研究成果，并達到了較高的識別準確率。但由于新的調(diào)制模式不斷涌現(xiàn)，現(xiàn)有專家特征也存在一定的問題，成為分類及識別的瓶頸。近年來，人工智能在圖像識別領(lǐng)域、運動識別領(lǐng)域也取得了巨大的成就，如何將基礎(chǔ)的信號特征進行轉(zhuǎn)換，映射到相應(yīng)的圖像特征域、運動特征域以獲取更高的識別準確率，成為突破識別瓶頸的一個重要的研究方向。

（三）設(shè)計更輕量級的調(diào)制模式識別神經(jīng)網(wǎng)絡(luò)

目前的硬件電路資源有限，難以應(yīng)對龐大的網(wǎng)絡(luò)參數(shù)及復(fù)雜的處理流程，因此目前大多基于深度學(xué)習(xí)的調(diào)制模式識別算法仍集中在軟件模擬方面。然而，為了將深度學(xué)習(xí)的優(yōu)點移植于實際位于邊節(jié)點的設(shè)備中，以提高設(shè)備的感知能力與反應(yīng)能力，在未來的研究中，設(shè)計一種重量更輕、識別效率更高的神經(jīng)網(wǎng)絡(luò)具有更好的發(fā)展前景。

四、結(jié)束語

調(diào)制模式識別作為一項關(guān)鍵技術(shù)，具有重要的研究價值和應(yīng)用前景。隨著通信場景的復(fù)雜化，調(diào)制模式識別技術(shù)將面臨更嚴峻的挑戰(zhàn)，研究人員需要不斷研究新的方法以解決新的問題。本文對調(diào)制模式識別問題進行了闡述，并評述了近3年發(fā)表在高水平期刊上的大量國內(nèi)外研究成果，最后對調(diào)制模式識別現(xiàn)有的發(fā)展問題進行了展望，希望為同行學(xué)者進行后續(xù)研究提供一定

參考。

作者單位：張瀚之 何超 中國電子科技集團成都中星世通電子科技有限公司；盧剛 中國電子科技集團 中電科蓉威電子技術(shù)有限公司

參考文獻

[1]林沖，閆文君，張立民等.通信信號調(diào)制模式識別綜述[J].中國電子科學(xué)研究院學(xué)報，2021，16（11）：1074-1085.

[2]Hameed F， Dobre O A， Popescu D C. On the likelihood-based approach to modulation classification[J]. IEEE Transactions on Wireless Communications， 2009， （8）：5884-5992.

[3]Ramezani-Kebrya A， Kim I， Kim D I， et al. Likelihood-Based Modulation Classification for Multiple-Antenna Receiver[J]. IEEE Transactions on Communications， 2013， （61）：3816-3829.

[4]Liedtke F. Computer simulation of an automatic classification procedure for digitally modulated communication signals with unknown parameters[J]. Signal Processing， 1984， （6）：311-323.

[5]Azzouz E E， Nandi A K. Automatic Identification of Digital Modulation Types[J]. Signal Processing， 1995， （47）：55-69.

[6]Quan D， Tang Z， Wang X， et al. LPI Radar Signal Recognition Based on Dual-Channel CNN and Feature Fusion[J]. Symmetry， 2022， （14）：570-582.

[7]Lv H， Zhou X， Huo J， et al. Joint OSNR monitoring and modulation format identification on signal amplitude histograms using convolutional neural network[J]. Optical Fiber Technology， 2021， （61）：102455-102464.

[8]Liu D， Xu J， Xiang C， et al. A modulation recognition method based on enhanced data representation and convolutional neural network[C]. IEEE 4th Advanced Information Management， Communicates， Electronic and Automation Control Conference. Chongqing， China， 2021， 4：187-191.

[9]Yakkati R R， Tripathy R K， Cenkeramaddi L R， et al. Radio Frequency Spectrum Sensing by Automatic Modulation Classification in Cognitive Radio System Using Multiscale Deep CNN[J]. IEEE Sensors Journal， 2022， 22（1）：926-938.

[10]Hou C， Liu G， Tian Q， et al. Multisignal Modulation Classification Using Sliding Window Detection and Complex Convolutional Network in Frequency Domain[J]. IEEE Internet of Things Journal，2022，9（19）：19438-19449.

[11]Huynh-The T， Nguyen T V， Pham Q V， et al. MIMO-OFDM Modulation Classification Using Three Dimensional Convolutional Network[J]. IEEE Transactions on Vehicular Technology， 2022， （71）： 6738-6743.

[12]Wang D， Lin M， Zhang X， et al. Automatic Modulation Classification Based on CNN-Transformer Graph Neural Network[J]. Sensors， 2023， 23（16）：7281-7303.

[13]Shah A H， Miry A， Salman T M. Automatic modulation classification based deep learning with mixed feature[J]. International Journal of Electrical and Computer Engineering， 2023， 13（2）：1647-1653.

[14]An T T， Lee B M. Robust Automatic Modulation Classification in Low Signal to Noise Ratio[J]. IEEE Access， 2023， （11）：7860-7872.

[15]Zhang B， Chen G， Jiang C. Research on Modulation Recognition Method in Low SNR Based on LSTM[J]. Journal of Physics Conference Series， 2022， 2189（1）：12003-12012.

[16]Wei S， Qu Q， Zeng X， et al. Self-Attention Bi-LSTM Networks for Radar Signal Modulation Recognition[J]. IEEE Transactions on Microwave Theory and Techniques， 2021， （69）：5160-5172.

[17]Kong W， Yang Q， Jiao， et al. A Transformer-based CTDNN Structure for Automatic Modulation Recognition[C]. Proceedings of the 2021 7th International Conference on Computer and Communications （ICCC）. Chengdu， China， 2021：159-163.

[18]Liu K， Gao W， Huang Q. Automatic Modulation Recognition Based on a DCN-BiLSTM Network[J]. Sensors， 2021， （21）：1577-1593.

[19]Ghasemzadeh P， Hempel M， Sharif H. High-Efficiency Automatic Modulation Classifier for Cognitive Radio IoT[J]. IEEE Internet Things Journal， 2022， （9）：9467-9477.

[20]Dampage U， Amarasooriya R， Samarasinghe S， et al. Combined Classifier-Demodulator Scheme Based on LSTM Architecture[J]. Wireless Communication and Mobile Computing， 2022：1-9.

[21]Wang Y， Fang S ， Fan Y， et al. A CLSTM network algorithm for automatic modulation recognition[C]. International Conference on Signal Processing， Computer Networks， and Communications. Zhuhai， China，2023

[22]Hou S， Fan Y， Han B， et al. Signal Modulation Recognition Algorithm Based on Improved Spatiotemporal Multi-Channel Network[J]. Electronics， 2023， （12）：422-441.

[23]Yang H， Guo W， Kang K. Signal modulation recognition method based on convolutional long short-term deep neural network[J]. Journal of Computer Applications， 2023， 43（4）：1318-1322.