信號調制模式識別研究

摘要：本文簡要介紹了調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制模式識別方法，對調制模式識別方法的研究前景和思路進行了展望，即：聚焦在線調制模式識別方法進行深入研究；提高低信噪比場景下的調制模式識別精度；設計更豐富的信號特征；設計更輕量級的調制模式識別神經網絡。

關鍵詞：調制模式識別；最大似然估計；神經網絡

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

傳統的調制模式識別流程通常包含三個步驟，即信號預處理、特征參數計算和分類器的選擇與訓練。其中，信號預處理步驟包含噪聲抑制、載波同步等技術；特征參數計算是基于預處理后的數據，利用工具計算出信號的瞬時特征、統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，并對其進行訓練并驗證。隨著通信技術和移動網絡的高速發展，設備數量增多，信息密度增大，應用場景也日趨復雜，傳統的調制模式識別技術逐漸變得難以滿足當下的需求。因此，如何高效、準確地對調制模式進行識別，是一項亟待解決的技術難題。

一、調制模式識別的研究現狀

關于調試模式識別的研究，主要分為三類：基于最大似然估計的調制模式識別方法，基于特征提取的調制模式識別方法，以及基于深度學習的調制模式識別方法。

基于最大似然估計的調制模式識別方法可在理論上達到極高的識別率，但因依賴已知參數且似然函數的計算異常復雜，因而在實際應用的過程中往往達不到預期的效果?；谔卣魈崛〉恼{制模式識別方法首先提取信號的瞬時特征、統計特征及圖特征，然后再將獲取的特征與理論值進行比較、匹配，進而完成調制模式識別。其優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展及神經網絡的出現，已有學者將深度學習方法應用在調制模式識別領域，其中最常用的模型包含卷積神經網絡（CNN）和循環神經網絡（RNN）?；谏疃葘W習的調制模式識別方法的基本思想是：首先向神經網絡中輸入大量帶標記的調制信號數據集，然后自動學習并提取標注數據集中的信號特征，最后根據特征完成分類進而完成調制模式識別，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。其優點在于不依賴專家經驗并且無需手動進行特征提取，然而如何選擇網絡模型及設置網絡參數成為影響運行效率及識別正確率的關鍵因素。

近年來，不斷有學者針對調制模式識別所用到的技術及方法進行總結，林沖等[1]發現從2005年開始，研究調制模式識別的文獻數量呈現明顯逐年上升趨勢。

二、常見調制模式識別方法

（一）基于最大似然估計的調制模式識別方法

基于最大似然估計的調制模式識別方法被視為多假設問題，并通過最大似然準則使信號誤分類概率最小化，從而實現理論上的最優識別。識別方法的關鍵在于構建信號的似然函數并設置適當的閾值，因此，在使用這種方法時，需要花費大量精力構建似然函數，并對閾值進行不斷調整。

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

（二）基于特征提取的調制模式識別方法

基于特征提取的調制模式識別方法的優點在于，不需要嚴格推導出信號的似然函數，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，基于特征提取的調制模式識別方法因其計算復雜度低、精度高等優勢在實際工程中經常被應用。在整個識別過程中，特征提取和分類器設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估計，對預處理的要求也不高，但在衰減信道中，它們很容易發生波動，導致分類器的學習能力受限；變換域特征通常通過將信號轉換到傅里葉和/或小波域，并進行不同的預處理和后處理操作，如平滑、歸一化和中值濾波，往往需要較強的專業知識；信號的高階統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換，并映射到二維或者三位空間，然后借助機器學習在圖像領域的強大學習能力，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，其優點在于可獲取接收波形相位轉換相關的有用信息。

Liedtke[4]提出了一種數字調制模式識別方法，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，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字調制模式類型。隨后學者們通過提取信號的高階累積特征、循環譜特征、高階譜特征作為分類器的輸入，以提高信號正確識別率。

（三）基于深度學習的調制模式識別方法

深度學習是一種強大的人工智能技術，它可以從大量數據中學習特征并擬合非線性網絡，因此被廣泛應用于計算機視覺、自然語言處理和語音識別等領域，并取得了巨大的成就。因此，近年來相關研究人員已將深度學習應用于通信領域，為通信技術特別是調制模式識別研究的發展帶來了新的機遇。

從本質上講，基于深度學習的調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，深度學習可以自動提取信號特征并進行分類，從而取代傳統識別算法中依靠專家經驗提取特征的步驟，并且識別率更高。基于深度學習的調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，作為神經網絡的輸入；另一種是首先對原始信號進行預處理，提取信號的瞬時特征、統計特征、圖像特征、變換域特征、過零特征，并對特征進行組合，然后作為神經網絡的輸入。深度學習領域提供了多種不同類型的神經網絡模型，其中，調制模式識別研究中最常用到的包括卷積神經網絡和遞歸神經網絡。卷積神經網絡多用來處理圖像特征，遞歸神經網絡主要針對時序特征進行建模。

1.基于卷積神經網絡的調制模式識別

卷積神經網絡是最流行、最成功的深度學習框架之一，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據的不同特征，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，最后根據特征完成分類。其流程圖如圖 2所示。

圖2 基于卷積神經網絡的調制模式識別流程

Quan[6]等提出了一種基于雙通道卷積神經網絡和特征融合的識別方法。作者使用小波變換方法將信號轉換為時頻圖，并對時頻圖進行灰度處理，然后將其輸入雙通道卷積神經網絡模型。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網絡的調制模式識別方法。作者使用恒定模量算法獲取均衡后的調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）設計的卷積神經網絡提取幅值直方圖的特征來進行分類和識別。當模型經過2500次訓練后，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網絡可以根據信號的直方圖識別信號的調制模式。

Liu[8]等提出了數據增強調制模式識別方法。作者首先根據輸入的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，根據調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網絡，用于信號的分類和識別。實驗結果表明，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網絡的調制模式識別研究方法。

2.基于遞歸神經網絡的調制模式識別

遞歸神經網絡是一種特殊類型的網絡，它包含環和自重復，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：過去和現在，使用過去的信息會產生短期記憶，所以遞歸神經網絡被廣泛用于處理順序任務。其工作流程如圖 3所示：

圖3 基于遞歸神經網絡的調制模式識別流程

Zhang[15]等提出了一種基于長短時記憶網絡（LSTM）的低信噪比調制模式識別方法。該研究利用長短時記憶網絡構建信噪比分類器、去噪自動編碼器和識別分類器。信噪比分類器由3個長短時記憶網絡層和1個全連接層組成，可根據設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絡層組成，可以對低信噪比信號進行去噪。最后，設計了基于長短時記憶網絡的調制模式識別結構。實驗結果表明，基于長短時記憶網絡的調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絡相結合的模型對調制模式進行識別。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網絡結構。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網絡的調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據的離線學習，而且模型參數學習過程過于復雜且計算量龐大。然而當數據集中引入新的數據元素時，必然會引起樣本分布的變化，這意味著需要重復上述過程對模型參數進行重新調整。在真實環境下，隨著采樣數據的不斷累積，傳統的離線學習方式難以滿足目前真實環境的需要，因此要滿足動態變化的需求，則必然需要對在線調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制模式識別精度

目前關于調制模式識別主流的研究主要集中在高信噪比環境下，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，在低信噪比環境下，多數信號會被噪聲淹沒，造成信號特征計算不準確、模型泛化能力差等問題，從而導致整體識別率降低，在信噪比為-5dB時，多數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）設計更豐富的信號特征

在現有基于特征的調制模式識別算法中，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、統計特征等。在特征的選擇與應用方面，學者們取得了豐碩的研究成果，并達到了較高的識別準確率。但由于新的調制模式不斷涌現，現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域、運動識別領域也取得了巨大的成就，如何將基礎的信號特征進行轉換，映射到相應的圖像特征域、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）設計更輕量級的調制模式識別神經網絡

目前的硬件電路資源有限，難以應對龐大的網絡參數及復雜的處理流程，因此目前大多基于深度學習的調制模式識別算法仍集中在軟件模擬方面。然而，為了將深度學習的優點移植于實際位于邊節點的設備中，以提高設備的感知能力與反應能力，在未來的研究中，設計一種重量更輕、識別效率更高的神經網絡具有更好的發展前景。

四、結束語

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

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有限公司

參考文獻

[1]林沖，閆文君，張立民等.通信信號調制模式識別綜述[J].中國電子科學研究院學報，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.