基于深度学习的调制信号识别改进算法研究.pdf

成都信息工程大学硕士学位论文

基于深度学习的调制信号识别改进算法研究

摘要

信号的调制识别是指在许多参数未知时，通过对信号进行算法分析与计算来

确定信号的调制方式的技术，是通信领域中认知无线电方向的一项重要技术。随

着调制信号种类不断增多以及通信电磁环境愈加复杂多变，如何提升调制识别性

能、降低识别算法复杂度以及增强算法的泛化能力，成为了通信领域的研究热点。

在无线通信技术逐渐进入“认知智能”的背景下，许多学者开始将深度学习引入

到信号调制识别中。通过深度学习算法可以充分提取调制信号的时间相关性和空

间特征，进而提高调制识别精度，同时在一定程度上降低了对人工提取复杂调制

特征的依赖性。本文基于深度学习的方法对调制信号识别算法进行研究并改进，

主要工作内容如下：

（1）为了改善调制信号识别算法中调制特征提取复杂、深度学习算法对原始

7

数据特征的提取能力有限的问题，选取了种计算复杂度低、噪声不敏感、分类

效果较好的调制特征参数，构建了一种新的调制特征参数集。并将其与原始数据

共同作为调制识别网络的数据输入，便于调制识别网络从多种维度对调制信号的

融合特征进行学习。

（2）针对目前调制识别算法复杂度较高且识别性能不佳的问题，提出了一种

基于并联神经网络的调制识别网络，并命名为MACLNN。MACLNN的分支卷积

神经网络和分支卷积长短期神经网络的输入分别为所提取的调制特征参数和原始

数据，通过这种结构可从多种维度来提取信号特征信息，并引入自注意力机制获

取信号的关键特征，再由并联层拼接所有特征，完成调制信号识别。将基于特征

融合和并联神经网络的调制识别算法与经典调制识别算法，在权威的调制信号数

据集上进行性能对比。实验结果表明，MACLNN以较少的网络参数量，在高信噪

比时识别精度达到了94.1%，获得了高于同类算法的识别性能。

3

（）为了提高深度学习算法对高、低信噪比数据的分类能力，降低信噪比分

级网络的复杂度，提出了一种基于卷积神经网络和门控循环单元的信噪比分级网

络。将其与现有的两种信噪比分级网络进行对比分析，仿真结果表明，所提的信

噪比分级网络，以最少的网络参数量获到了最高的信噪比分级准确率，在-4dB和

-8dB的分级边界下，信噪比分级准确率分别达到了94.21%和91.87%。

（4）针对低信噪比下调制信号的识别效果不佳的问题，以及进一步降低调制

识别网络复杂度，提出了一种基于信噪比分级降噪的调制识别算法。首先，确定

高、低信噪比数据的分级边界，通过改进的信噪比分级网络将数据划分为高、低

信噪比数据，再对低信噪比数据进行中值滤波。然后，提出了一种结构更精简的

调制识别网络CLNN，其通过一层卷积神经网络级联两层长短期神经网络的结构，

ii

成都信息工程大学硕士学位论文

可对调制信号的隐藏特征进行高度提取。最后，在公开数据集上将所提算法与3

种近期调制识别算法进行对比。实验结果表明，基于分级降噪的调制识别算法有

效提高了低信噪比数据的识别精度，在高信噪比部分最高达到了94.3%。再将分级

降噪的数据处理方法应用到同类调制识别算法上，同类算法的识别性能也得到了

有效提升。

（5）根据现有文献的对复杂电磁环境噪声特性的描述，分别制作了超宽带电

磁环境和舰船电磁环境的调制信号仿真数据集。通过对基于特征融合与分级降噪

的两种调制识别算法的性能对比与分析，选取了调制识别网络复杂度更低和整体

识别性能最佳的算法，即基于分级降噪的调制识别算法，在两种复杂电磁环境数

据集上进行实验，进一步验证所提算法的有效性和普适性。并选择了三种同类调

制识别算法作为对比进行分析。实验结果表明，基于分级降噪的调制识别算法以

较低的网络复杂度，在各个信噪比区间上都获得了最好的性能，并且在两种复杂

电磁环境仿真数据集上，都可以稳定地进行高精度调制识别。

关键词：深度学习，调制识别，特征融合，分级降噪

iii

成都信息工程大学硕士学位论文

ResearchonImp