基于深度学习的常规通信信号调制识别方法研究.pdf

哈尔滨理工大学工学硕士学位论文

基于深度学习的常规通信信号调制识别方法研究

摘要

调制识别是指在非合作通信系统中，接收端识别未知信号调制方式的一种技

术。在进行信号调制方式识别之前，接收端还需对目标信号进行检测，确认信号存

在并估计其起止位置。传统的信号检测与调制识别技术基于各种谱分析方法，依赖

于人的主观经验，具有效率低、通用性差等缺点。而深度学习以其特有的自动特征

学习和泛化能力，能提升信号检测与调制识别的效率与适用性，为在低信噪比条件

下提高非合作通信系统中信号调制方式识别的性能，对基于深度学习的常规通信

信号检测和调制识别方法进行研究。

在信号检测中，针对低信噪比下信号检测精度低等问题，引入目标检测思想，

将信号检测问题转换为计算机视觉中的目标检测问题，提出一种基于YOLOv7模

型的常规调制信号检测方法YOLOv7-SD。该方法首先对信号检测数据集中的采样

信号进行小波阈值去噪，并探讨使用最佳的小波阈值策略，利用短时傅里叶变换将

经过去噪处理的信号转换为时频图，得到信号的时频图数据集，最后将信号的时频

图数据送入改进的YOLOv7模型进行训练，得到最佳的检测模型权重文件，将不

同信噪比下的信号时频图使用最佳模型权重进行检测得到不同信噪比下的信号检

测结果。仿真结果表明，YOLOv7-SD方法在-10dB至0dB的信号中相较于基础的

YOLOv7方法，平均检测精度提升8.62%。

在调制识别中，针对目前许多模型直接输入IQ信号，未充分利用信号多维度

特征的问题，提出一种基于混合神经网络的调制识别方法CBiGDNet-MR。该方法

引入信号的多维特征，将IQ信号进行预处理分别转换成信号的幅相与频率特征，

使用卷积神经网络（CNN）融合幅相与频率特征，提取信号特征序列中的空间信

息，将整合后的特征输入到带有自注意力机制的双向门控循环单元（BiGRU）中提

取信号特征序列中的时间信息，最后通过深度神经网络（DNN）获得信号调制方式

分类结果。仿真结果显示，CBiGDNet-MR方法在低信噪比下的信号识别准确率优

于其它调制识别方法，在-10dB至0dB的信号中，相较于CNN、LSTM、ResNet、

CLDNN方法，平均识别准确率分别提升9.6%、8.3%、7.8%、2.1%。

关键词调制识别；信号检测；混合神经网络；YOLOv7；非合作通信

-I-

哈尔滨理工大学工学硕士学位论文

ResearchonConventionalCommunicationSignal

ModulationRecognitionMethodBasedonDeep

Learning

Abstract

Modulationrecognition(MR)referstoatechniqueinnon-cooperative

communicationsystemswherethereceiveridentifiesthemodulationschemeofunknown

signals.Priortomodulationrecognition,thereceiveralsoneedstodetectthetargetsignal,

confirmitspresence,andestimateitsstartandendpositions.Traditionalsignaldetection

andmodulationrecognitiontechniques,basedonvariousspectralanalysismethods,rely

onhumansubjectiveexperienceandsufferfromdrawbackssuchaslowefficiencyand

poorgenerality.W