張承暢，余 灑，徐 余，羅 元

(重慶郵電大學(xué) 光電工程學(xué)院，重慶 400065)

0 引 言

非合作通信[1-2]中接入到通信系統(tǒng)的未經(jīng)授權(quán)的第三方，其對發(fā)送端的已調(diào)信號相關(guān)調(diào)制信息(如調(diào)制方式、相關(guān)參數(shù))是未知的。而非合作通信的目的是在沒有任何調(diào)制信號的先驗信息的情況下，確定信號的調(diào)制類型和相關(guān)參數(shù)，從而進(jìn)一步完成信號或干擾的識別、威脅評估等任務(wù)。信號的調(diào)制方式識別主要發(fā)生在非合作通信系統(tǒng)中。

在軍事領(lǐng)域，電子信息戰(zhàn)中敵方信號的干擾識別與反干擾，威脅探測、評估與告警，目標(biāo)捕獲與搜索等任務(wù)都離不開調(diào)制識別技術(shù)[3]。而在民用領(lǐng)域，無線電資源管理部門需要應(yīng)用調(diào)制識別技術(shù)對無線電頻譜資源進(jìn)行監(jiān)測與管理[4-5]，對非法用戶進(jìn)行監(jiān)聽與定位，防止未經(jīng)授權(quán)用戶使用公共頻譜資源，從而保障合法用戶的正常通信。

在接收端，信號的調(diào)制方式識別是信號檢測和信號解調(diào)之間的關(guān)鍵一步，三者之間的關(guān)系如圖1所示。

圖1 信號檢測、調(diào)制方式識別以及信號解調(diào)間的關(guān)系Fig.1 Relationship between signal detection, modulation moderecognition and signal demodulation

按照信道中傳輸信號的不同，可以將通信系統(tǒng)分為數(shù)字通信和模擬通信。相較于模擬通信，數(shù)字通信抗干擾能力更好、抗信道損耗能力更強(qiáng)、安全性更高，且傳輸差錯可控，已廣泛應(yīng)用于各個領(lǐng)域。數(shù)字信號調(diào)制方式[6]按照調(diào)制到的載波參數(shù)的不同可以分為幅度鍵控(amplitude shift keying, ASK)、頻移鍵控(frequency shift keying, FSK)、相移鍵控(phase shift keying, PSK)；除此之外，還有正交幅度調(diào)制(quadrature amplitude modulation, QAM)、正交頻分復(fù)用調(diào)制(orthogonal frequency division multiplexing, OFDM)、高斯最小頻移鍵控(gaussian minimum-shift keying, GMSK)等調(diào)制方式。在非合作數(shù)字通信系統(tǒng)中，如何對繁多的數(shù)字信號調(diào)制方式進(jìn)行正確識別是一項具有挑戰(zhàn)性的工作。

1 調(diào)制方式識別技術(shù)

1.1 調(diào)制識別技術(shù)簡介

信號的調(diào)制方式識別[7]可以分為信號預(yù)處理、特征提取、分類識別3個部分。具體流程如圖2所示。

圖2 調(diào)制方式識別流程Fig.2 Modulation mode recognition process

圖2中，信號預(yù)處理的目的是為之后的特征提取部分提供易處理和分析的數(shù)據(jù)。信號預(yù)處理過程主要包括數(shù)字下變頻、信號濾波等步驟。特征提取主要是針對待識別信號類型的不同，提取出可以區(qū)分不同調(diào)制方式的信號。

早期的信號調(diào)制識別是通過對測量參數(shù)的人工解譯來實(shí)現(xiàn)的，嚴(yán)重依賴操作人員的技術(shù)水平和工作經(jīng)驗。人工識別方法主觀性很大、效率很低、實(shí)時性很差，在面對復(fù)雜調(diào)制方式尤其是數(shù)字調(diào)制方式時其結(jié)果不能盡如人意。1969年4月，在斯坦福大學(xué)技術(shù)報告上第一篇研究調(diào)制方式自動識別的論文[8]得以發(fā)表，由此開啟了信號自動調(diào)制識別的大門。

1.2 調(diào)制識別技術(shù)的發(fā)展歷程

隨著通信技術(shù)由模擬向數(shù)字的轉(zhuǎn)變，調(diào)制方式愈加復(fù)雜，各種針對調(diào)制方式識別的算法研究也迅速展開。文獻(xiàn)[9]利用幅度和頻率變量提出一種基于決策理論和模式識別的方法對ASK、FSK和PSK信號進(jìn)行分類識別；文獻(xiàn)[10]提出一種近似似然率分類器來對BPSK、QPSK信號進(jìn)行分類；文獻(xiàn)[11]提出可以利用信號的循環(huán)自相關(guān)函數(shù)和循環(huán)功率譜密度函數(shù)來進(jìn)行調(diào)制識別；文獻(xiàn)[12]提出應(yīng)用小波變換來進(jìn)行數(shù)字通信信號識別的方法。以上方法都基于傳統(tǒng)的假設(shè)檢驗或者特征提取方法來進(jìn)行信號調(diào)制方式識別，具有完整的理論支撐，但是計算復(fù)雜度高，識別效果一般，尤其在面對復(fù)雜電磁環(huán)境、低信噪比等情況時，識別效果并不盡如人意。

隨著人工智能、機(jī)器學(xué)習(xí)等技術(shù)的出現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks, ANN)作為分類器應(yīng)用于調(diào)制識別逐漸成為研究熱點(diǎn)。ANN應(yīng)用于調(diào)制識別最早可以追溯到1996年，文獻(xiàn)[13]提取信號的瞬時值為特征向量，利用人工神經(jīng)網(wǎng)絡(luò)作為分類器完成多種模擬數(shù)字信號的調(diào)制識別。文獻(xiàn)[14]提出一種基于小波變化理論和多層神經(jīng)網(wǎng)絡(luò)的方法，對MASK、MFSK以及MPSK信號進(jìn)行調(diào)制識別；文獻(xiàn)[15]提出一種基于循環(huán)譜的BP神經(jīng)網(wǎng)絡(luò)，對MQAM信號進(jìn)行識別；文獻(xiàn)[16]提出一種基于信號的二階及四階統(tǒng)計量的兩層感知器神經(jīng)網(wǎng)絡(luò)，對 FSK、PSK、ASK、QAM進(jìn)行識別，識別率高達(dá) 0.7～0.99?；贏NN的調(diào)制識別方法能夠適應(yīng)電磁環(huán)境的變化，在低信噪比下的調(diào)制識別效果也很好，因此，得到了越來越廣泛的研究和應(yīng)用。

1.3 調(diào)制識別技術(shù)的分類及原理

經(jīng)典的調(diào)制識別方法可以分為兩大類：基于假設(shè)檢驗的最大似然(likelihood based, LB)方法和基于特征提取(featured based, FB)的模式識別方法。詳細(xì)的分類如圖3所示。

圖3 信號調(diào)制識別方法分類Fig.3 Classification of signal modulation recognition methods

1.3.1 基于假設(shè)檢驗的最大似然方法

基于假設(shè)檢驗的最大似然方法[17-18]可以看作是多重假設(shè)檢驗問題。它是在有背景干擾的條件下對所截獲信號的檢驗統(tǒng)計量(通常采用似然比函數(shù))進(jìn)行理論推導(dǎo)，尋找合適的門限，然后在貝葉斯代價最小準(zhǔn)則下進(jìn)行判決。使用基于假設(shè)檢驗的最大似然方法流程如圖4所示。

0≤t≤NT,i=1,2,…,Nmod

(1)

圖4 基于假設(shè)檢驗的最大似然估計方法流程Fig.4 Process of the maximum likelihood estimate based on hypothesis testing

按照計算似然函數(shù)時對未知參數(shù)處理方式的不同，基于假設(shè)檢驗的最大似然方法可以分為：①平均似然比[19]檢測(average likelihood ratio test, ALRT)。將未知參數(shù)看成概率密度函數(shù)已知或者可以假設(shè)為某種概率密度函數(shù)的隨機(jī)變量，求出似然函數(shù)針對該參數(shù)的均值。②廣義似然比檢測[20](generalized likelihood ratio test, GLRT)。將未知參數(shù)看成確定性變量，用極大似然估計方法求出參數(shù)在不同假設(shè)下的估計值。③混合似然比檢測(hybrid likelihood ratio test, HLRT)。是ALRT和GLRT的結(jié)合方法，它將一部分未知參數(shù)當(dāng)作隨機(jī)變量，按照ALRT的方法對其PDF求平均；另一部分未知參數(shù)當(dāng)作其值未知的確定變量，按照GLRT的方法求其最大似然估計值?；诩僭O(shè)檢驗的最大似然法適用于已知較多先驗信息且對識別種類數(shù)量沒有特殊要求的離線處理。該方法具有完備的理論基礎(chǔ)，能夠得到識別性能理論曲線，并保證在貝葉斯最小誤判代價準(zhǔn)則下其分類效果最優(yōu)。但似然函數(shù)推導(dǎo)復(fù)雜，未知變量較多時計算量大，難以處理；加之似然函數(shù)的參數(shù)均是由特定條件下的信號推導(dǎo)得到的，因而只適用于特定環(huán)境的調(diào)制識別問題。

1.3.2 基于特征提取的模式識別方法

基于特征提取的模式識別方法[21-22]運(yùn)用特征提取實(shí)現(xiàn)調(diào)制方式識別，需要選擇合適的分類器來進(jìn)行分類識別。分類器的任務(wù)是：根據(jù)某一準(zhǔn)則把一個給定的由特征向量表示的輸入模式歸入到一個適當(dāng)?shù)哪Ｊ筋悇e，完成從特征空間到判決空間的映射，最終給出識別結(jié)果。

在基于特征提取的調(diào)制識別方法中，常用的特征有時域特征，頻域特征和變換域特征3種。

1)信號的時域特征

信號的時域特征主要包括瞬時頻率、瞬時相位及瞬時幅度。根據(jù)信號的這3個瞬時參量，可以計算其瞬時統(tǒng)計量作為特征。常見的瞬時統(tǒng)計量有：零中心歸一化瞬時幅度絕對值的標(biāo)準(zhǔn)差、零中心非弱信號段瞬時相位非線性分量絕對值的標(biāo)準(zhǔn)偏差、零中心非弱信號段歸一化瞬時頻率絕對值的標(biāo)準(zhǔn)偏差等。這些瞬時參量的計算方法歸納如下。

(2)

不同的瞬時特征可以區(qū)分出對應(yīng)參數(shù)(幅度、相位、頻率)不同的調(diào)制信號?；谒矔r值統(tǒng)計特征的調(diào)制識別算法，無需對信號有任何先驗知識，預(yù)處理要求低，算法復(fù)雜度相對較低。但在面對衰落信道時，由于分類器學(xué)習(xí)能力限制，對識別結(jié)果影響較大，因此，在低信噪比以及衰落環(huán)境下，分類器的學(xué)習(xí)能力有待進(jìn)一步提升。

2)信號的頻域特征

信號的頻域特征主要有：高階累積量、循環(huán)譜等。信號的高階累積量可以表征信號的高階統(tǒng)計特征，由于高斯白噪聲的某些高階累積量恒等于零，并且調(diào)制信號的高階統(tǒng)計量有很好的抗衰落特性，因此使用信號的高階累積量進(jìn)行調(diào)制識別的效果較好。信號x(t)的高階累積量如下所示。

C20=cum(X,X)=M20

C21=cum(X,X*)=M21

C41=cum(X,X,X,X*)=M41-3M21M20

(3)

(3)式中，M為信號的混合矩。

Mpq=E{[x(t)]p-q[x*(t)]q}

(4)

通信信號通常具有循環(huán)平穩(wěn)特性，信號的循環(huán)譜在循環(huán)頻率不為零處有較大的非零值，而平穩(wěn)噪聲或近似平穩(wěn)噪聲的循環(huán)譜主要集中在零循環(huán)頻率處，因此循環(huán)譜能夠很好地抑制平穩(wěn)噪聲和干擾，利用非零循環(huán)頻率處的循環(huán)譜特征能很好地識別出信號的調(diào)制方式。信號的循環(huán)譜(即循環(huán)自相關(guān)函數(shù)的傅里葉變換)表達(dá)式如下。

(5)

(6)

(6) 式中，T為信號持續(xù)時間。

3)信號的變換域特征

信號的變換域特征主要有：小波變換、短時傅里葉變換(short-time fourier transform, STFT)、星座圖等。其中小波變換是一種介于函數(shù)的空間域(時間域)表示和頻率域表示之間的局部變換方法。它通過伸縮、平移等運(yùn)算方式對信號進(jìn)行多尺度的細(xì)化分析，從而能夠有效地從信號中提取所需要的信息。對于待識別信號x(t)，其連續(xù)小波變換(continuous wavelet transform, CWT)的表達(dá)式為

(7)

(7)式中：a為尺度因子；τ為平移因子；*表示復(fù)共軛運(yùn)算；Ψ(t)為小波函數(shù)。

短時傅里葉變換(STFT)在傅里葉變換的基礎(chǔ)上通過窗函數(shù)截取一段平穩(wěn)信號，再對得到的信號做傅里葉變換，信號x(t)的STFT表達(dá)式如下。

(8)

(8)式中：τ為窗函數(shù)長度；g(t)為窗函數(shù)。τ越大，截取的信號越長，傅里葉變換后頻率分辨率就越高，而時間分辨率就越差。因此，在確定窗函數(shù)長度時要謹(jǐn)慎選取。

1.3.3 分類器

常用的分類器有：決策樹[23]分類器、最近鄰(k-nearest neighbor, KNN)[24]分類器、貝葉斯分類器[25]、支持向量機(jī)(support vector machine, SVM)[26]、隨機(jī)森林[27]以及人工神經(jīng)網(wǎng)絡(luò)(ANN)[28-33]分類器等。

決策樹分類器是一種逼近離散值目標(biāo)函數(shù)的二分類方法。它將分類規(guī)則以樹狀結(jié)構(gòu)表示，采用多級分類結(jié)構(gòu)，每級結(jié)構(gòu)根據(jù)一個或多個特征參數(shù)，分辨出某種調(diào)制類型，最終能完成多種信號調(diào)制類型的識別。該算法結(jié)構(gòu)簡單，但是需要預(yù)先確定判決門限，自適應(yīng)性差。

KNN分類器是一個基于距離的分類算法。其基本原理是：對于一個新的樣本，找出距離它最近的K個訓(xùn)練樣本，然后采取“少數(shù)服從多數(shù)”的決策方法，得到該樣本所屬的類別。該算法計算簡單，識別效率較高。

貝葉斯分類算法是描述一組變量的概率分布的有向圖，它通過條件概率來指定條件獨(dú)立性假設(shè)，可以將復(fù)雜問題分解為若干簡單模型以便于有效地處理，學(xué)習(xí)得到的模型也很容易滿足模型解釋要求。該算法理論基礎(chǔ)完備，但計算復(fù)雜度高，實(shí)現(xiàn)復(fù)雜。

支持向量機(jī)(SVM)是一種建立在統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，為解決有限樣本學(xué)習(xí)問題提供了一個統(tǒng)一的方案。SVM通過事先選擇的非線性映射(核函數(shù))將輸入向量映射到一個高維特征空間，在高維空間對非線性問題進(jìn)行分類。

隨機(jī)森林是一種統(tǒng)計學(xué)習(xí)理論，利用bootsrap抽樣方法從原始樣本中抽取多個樣本，對每個bootsrap樣本進(jìn)行決策樹建模，然后組合多棵決策樹的預(yù)測，通過投票得出最終預(yù)測結(jié)果。隨機(jī)森林具有很高的預(yù)測準(zhǔn)確率，對異常值和噪聲具有很好的容忍度，且不容易出現(xiàn)過擬合現(xiàn)象。

總體來看，以上分類器計算復(fù)雜度較高，實(shí)現(xiàn)具有一定的困難，而且對于惡劣通信環(huán)境識別的性能較差。

人工神經(jīng)網(wǎng)絡(luò)分類器是一種模仿生物神經(jīng)連接產(chǎn)生特征向量與分類類別之間映射的非線性變換技術(shù)，通過調(diào)整內(nèi)部節(jié)點(diǎn)之間相互連接的關(guān)系達(dá)到處理信息的目的。常用于分類器的ANN主要有BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等。ANN分類器雖然理論支撐不夠完備，但是實(shí)現(xiàn)簡單，在信噪比較低的情況下也有較好的識別效果。

2 人工神經(jīng)網(wǎng)絡(luò)(ANN)

2.1 多層感知器神經(jīng)網(wǎng)絡(luò)

單層感知器即神經(jīng)元模型是神經(jīng)網(wǎng)絡(luò)中最基本的模型，其結(jié)構(gòu)如圖5所示。

圖5 單層感知器模型Fig.5 Single layer perceptron model

圖5中，xi(i=1,2,…,r)表示輸入到感知器中的信息，每個輸入對應(yīng)一個權(quán)值wi，感知器的輸入與權(quán)值進(jìn)行相乘求和，再經(jīng)過激活函數(shù)之后得到輸出。激活函數(shù)表示的是上層節(jié)點(diǎn)輸出與下層節(jié)點(diǎn)輸入間的關(guān)系，一般采用非線性函數(shù)，由此可以提高網(wǎng)絡(luò)的逼近和泛化能力。

設(shè)激活函數(shù)用f(·)表示，則輸出y可以表示為

(9)

常用激活函數(shù)有：Sigmoid函數(shù)、Tanh函數(shù)、ReLU函數(shù)等，其表達(dá)式分別為

(10)

(11)

(12)

單層感知器并不能解決復(fù)雜的非線性問題，由此出現(xiàn)了多層級聯(lián)的感知器，即多層感知器(multi-layer perceptron, MLP)神經(jīng)網(wǎng)絡(luò)[34]。MLP神經(jīng)網(wǎng)絡(luò)[35]又稱為多層前饋神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)中相鄰兩層神經(jīng)元之間相互級聯(lián)，同一層節(jié)點(diǎn)之間沒有相互連接，第一層為輸入層，最后一層為輸出層，中間可以包含一個或多個隱藏層，從而構(gòu)成全連接神經(jīng)網(wǎng)絡(luò)。MLP網(wǎng)絡(luò)是最基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)，其激活函數(shù)通常選用Sigmoid函數(shù)。

2.2 反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)

由于MLP神經(jīng)網(wǎng)絡(luò)并不能很好地完成網(wǎng)絡(luò)性能的訓(xùn)練，因此出現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)[36-38]。對誤差使用反向傳播(BP)算法的多層感知器神經(jīng)網(wǎng)絡(luò)就稱為BP神經(jīng)網(wǎng)絡(luò)，它是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一，包括輸入層、隱藏層和輸出層，其中隱藏層可以有多個。只有一個隱藏層的BP神經(jīng)網(wǎng)絡(luò)如圖6所示。

圖6 單隱層BP神經(jīng)網(wǎng)絡(luò)Fig.6 BP-Network with one hidden-layer

圖6中，實(shí)線代表前向傳播，主要是指輸入信息經(jīng)過處理之后向輸出方向傳輸。在隱藏層中，輸入與權(quán)值相乘，再經(jīng)過激活函數(shù)之后輸出。虛線代表反向傳播，是指輸出層節(jié)點(diǎn)的實(shí)際輸出與期望輸出之間的誤差從輸出層向輸入層方向傳輸，直到誤差傳輸至緊鄰輸入層的隱藏層。誤差反向傳播的目的是進(jìn)行權(quán)值調(diào)整使得誤差減小，即實(shí)際輸出越來越接近期望輸出。BP神經(jīng)網(wǎng)絡(luò)常用的激活函數(shù)為Sigmoid函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，而且可以根據(jù)具體的問題設(shè)置隱藏層個數(shù)以及每一層的神經(jīng)元數(shù)量，比較靈活；但是其學(xué)習(xí)速度慢且容易陷入局部極小值。

2.3 卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)

卷積神經(jīng)網(wǎng)絡(luò)[39-41]是一種深度神經(jīng)網(wǎng)絡(luò)，每一層都包含多個由神經(jīng)元組成的二維平面，在圖像處理方面有著獨(dú)特的優(yōu)勢。CNN主要由卷積層、池化層和全連接層組成。其中，卷積層的主要作用是提取圖像的特征，池化層的主要作用是下采樣，而全連接層的主要作用是分類。

卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，每一個卷積層中的卷積核共享權(quán)值(即每一個卷積層中的卷積核是相同的)，從而降低了計算復(fù)雜度；而池化層的池化操作通常有兩種：平均池化(即選取指定區(qū)域的平均值代表整個指定區(qū)域)和最大池化(即選取指定區(qū)域的最大值代表整個指定區(qū)域)；全連接層負(fù)責(zé)將提取的特征進(jìn)行非線性組合得到輸出，這一層需要將池化層的輸出與權(quán)重相乘再加上偏置，之后使用非線性激活函數(shù)得到輸出，網(wǎng)絡(luò)參數(shù)的優(yōu)化通常使用梯度下降法或反向傳播算法。CNN常用的激活函數(shù)是ReLU函數(shù)。

由于卷積神經(jīng)網(wǎng)絡(luò)主要用于圖像識別領(lǐng)域，因此在將CNN用于調(diào)制方式識別時通常與信號的星座圖特征一起使用，但是信號的星座圖重構(gòu)受參數(shù)估計的精度影響比較大，因此，信號的重構(gòu)星座圖在低信噪比情況下往往質(zhì)量較差，不利于調(diào)制方式的正確識別。

2.4 ANN在調(diào)制識別中的應(yīng)用

將ANN作為分類器應(yīng)用于調(diào)制識別的流程如圖7所示。

圖7 基于ANN的調(diào)制識別流程Fig.7 Process of modulation recognition based on ANN

圖7中，關(guān)鍵的步驟在于特征參數(shù)提取以及ANN分類器訓(xùn)練優(yōu)化。其中特征參數(shù)需要針對待識別信號的不同而確定，如1.3小節(jié)所述。

對ANN分類器進(jìn)行訓(xùn)練時， BP神經(jīng)網(wǎng)絡(luò)會出現(xiàn)陷入局部最小值、收斂速度慢的問題。因此，需要對網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，這是將神經(jīng)網(wǎng)絡(luò)應(yīng)用于調(diào)制識別的難點(diǎn)所在。實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)優(yōu)化的方法流程如圖8所示。

圖8 使用算法優(yōu)化ANN分類器流程Fig.8 Process of optimizing the ANN classifier using algorithms

用于神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的算法主要有：遺傳算法(genetic algorithm, GA)、粒子群算法[32](particle swarm optimization, PSO)等。

遺傳算法(GA)是一種模擬自然界遺傳機(jī)制和生物進(jìn)化論的并行隨機(jī)搜索最優(yōu)化方法。該算法將自然界“優(yōu)勝劣汰，適者生存”的生物進(jìn)化原理引入優(yōu)化參數(shù)形成的編碼串聯(lián)群體中，按照所選擇的適應(yīng)度函數(shù)并通過遺傳中的選擇、交叉和變異操作對個體進(jìn)行篩選，使適應(yīng)度值好的個體被保留，適應(yīng)度值差的個體被淘汰，新的群體既繼承了上一代的信息，又優(yōu)于上一代。這樣反復(fù)循環(huán)，直至滿足條件。

粒子群算法(PSO)算法也屬于進(jìn)化算法的一種，它從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解，通過適應(yīng)度值來評價解的好壞，但它沒有遺傳算法的“交叉”和“變異”操作，只是通過追隨當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu)。該算法實(shí)現(xiàn)容易、精度高、收斂快。

3 調(diào)制識別研究現(xiàn)狀

基于假設(shè)檢驗的最大似然估計方法和使用支持向量機(jī)、貝葉斯、隨機(jī)森林這些分類器的基于特征提取的調(diào)制識別方法都屬于傳統(tǒng)的調(diào)制識別技術(shù)。近年來，隨著人工智能的不斷發(fā)展，人工神經(jīng)網(wǎng)絡(luò)作為分類器逐漸應(yīng)用于調(diào)制識別中。

3.1 傳統(tǒng)調(diào)制識別技術(shù)的發(fā)展

文獻(xiàn)[42]針對MPSK信號的調(diào)制識別問題，對最大似然估計法進(jìn)行改進(jìn)，提出一種壓縮域最大似然估計的調(diào)制識別新方法，降低了計算復(fù)雜度，提高了低信噪比下算法的識別性能。文獻(xiàn)[43]針對航空信道下MQAM信號的類內(nèi)識別，提出了基于假設(shè)檢驗的平均似然比識別算法，能夠顯著地改善信號的識別性能，同時還能夠很好地抵抗信道衰落和多普勒頻移。文獻(xiàn)[44]針對LPI雷達(dá)信號的識別，提出了一種基于棧式自編碼和支持向量機(jī)的方法，該算法在低信噪比、小樣本情形下能夠?qū)走_(dá)信號進(jìn)行有效識別。文獻(xiàn)[45]提出一種用粒子群優(yōu)化算法來優(yōu)化支持向量機(jī)參數(shù)的方法，該方法在參數(shù)優(yōu)化方面具有良好的魯棒性、快速收斂和全局搜索能力，具有更高的分類精確度和效率。文獻(xiàn)[46]針對未知噪聲和時變信道的挑戰(zhàn)，提出了一種新的基于粒子濾波和貝葉斯推理的自適應(yīng)調(diào)制識別算法，在信噪比為12 dB時識別率可達(dá)到99.8%。文獻(xiàn)[47]借助隨機(jī)森林算法和信號的時域特征參數(shù)，對6種典型的低階數(shù)字調(diào)制信號進(jìn)行自動分類識別，在信噪比不小于3 dB的條件下，所提算法的調(diào)制識別正確率接近100%。

傳統(tǒng)的調(diào)制識別算法具有比較完備的理論體系，但是往往數(shù)學(xué)推導(dǎo)復(fù)雜，計算復(fù)雜度大，且在復(fù)雜多變的信道環(huán)境下適用性較差。

3.2 基于神經(jīng)網(wǎng)絡(luò)的調(diào)制識別技術(shù)的發(fā)展

文獻(xiàn)[48]通過變梯度BP修正算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以提高收斂速度，縮短訓(xùn)練時間。在信噪比為10 dB時，識別率達(dá)到95%。文獻(xiàn)[49]設(shè)計了一種CNN-LSTM并聯(lián)網(wǎng)絡(luò)，直接將同向分量和正交分量作為輸入數(shù)據(jù)，上下支路提取信號的空間和時間特征，該算法無需人為設(shè)計特征參數(shù)，在低信噪比下具有較好的識別性能。文獻(xiàn)[50]提出一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可實(shí)現(xiàn)對7種不同的調(diào)制信號的分類。在信噪比不小于5 dB時，識別率可達(dá)97.99%；當(dāng)信噪比不小于9 dB時，識別率可達(dá)100%。文獻(xiàn)[51]針對基于有監(jiān)督學(xué)習(xí)通信信號分類算法需要大量有標(biāo)簽訓(xùn)練樣本，而在實(shí)際場合大多無法滿足數(shù)量要求的問題，提出利用數(shù)據(jù)驅(qū)動模型的半監(jiān)督學(xué)習(xí)方法。較以往方法，其識別準(zhǔn)確率提升3%～20%；小樣本條件下性能提高60%；同時，在低信噪比條件下識別能力突出，0 dB時對11種調(diào)制信號平均識別正確率達(dá)到92%，具有明顯優(yōu)勢。

文獻(xiàn)[52]針對當(dāng)前調(diào)制識別模型缺乏泛化性的缺點(diǎn)，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的魯棒自動調(diào)制識別方法，能夠?qū)?5種信號進(jìn)行識別，而且在低信噪比下識別準(zhǔn)確性也很好。文獻(xiàn)[53]針對STBC信號的調(diào)制識別問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的方法，該算法無需信號的先驗信息，在較低的信噪比下識別效果較好。文獻(xiàn)[54]針對當(dāng)前通信信號的制式識別算法在低信噪比情況下識別不準(zhǔn)確的問題，提出一種新的小波特征與改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)結(jié)合(WL-DNN)的識別算法，該算法在信噪比低至0 dB的情況下，單個調(diào)制信號最低識別率超過95%，平均識別率超過98%。文獻(xiàn)[55]針對彈性光網(wǎng)絡(luò)中的信號調(diào)制識別問題提出了一種基于神經(jīng)網(wǎng)絡(luò)和查找表的方法，該方法在通信誤碼率大于102的OSNR范圍內(nèi)，可以正確識別接收信號的調(diào)制格式。文獻(xiàn)[56]提出了一種新的深度幾何卷積網(wǎng)絡(luò)(deep geometric convolutional network, DGCN)，用于從信號的Wigner-Ville分布圖中分層提取鑒別特征，該網(wǎng)絡(luò)能夠?qū)?5種調(diào)制信號進(jìn)行高精度分類。

3.3 當(dāng)前存在的問題及發(fā)展方向

通過對目前神經(jīng)網(wǎng)絡(luò)在調(diào)制識別中的應(yīng)用調(diào)研可以看出，目前ANN在調(diào)制識別上的應(yīng)用可以分為兩大類。一類是基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別算法，該類方法將信號的調(diào)制識別問題轉(zhuǎn)換為圖像識別問題，不需要任何信號的先驗信息，重難點(diǎn)在于信號的圖形特征提??；另一類是基于深度神經(jīng)網(wǎng)絡(luò)(如BP神經(jīng)網(wǎng)絡(luò))的調(diào)制識別算法，該類方法將ANN作為分類器進(jìn)行識別，重難點(diǎn)在于網(wǎng)絡(luò)訓(xùn)練時參數(shù)的優(yōu)化?？偟膩碚f，基于人工神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法識別準(zhǔn)確率高、對信號的預(yù)處理不復(fù)雜。

調(diào)制識別技術(shù)已歷經(jīng)半個多世紀(jì)的發(fā)展，傳統(tǒng)的識別理論已相當(dāng)成熟。但是隨著通信系統(tǒng)的不斷發(fā)展，調(diào)制識別技術(shù)仍需不斷改進(jìn)才能滿足需求。而隨著人工智能技術(shù)的不斷發(fā)展，將人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于調(diào)制識別已成為主流的發(fā)展方向。但是人工神經(jīng)網(wǎng)絡(luò)在調(diào)制識別中的應(yīng)用目前存在的主要問題有：一是現(xiàn)有的算法基本上都是針對一類或兩類信號的識別而搭建的模型，并不能夠?qū)Χ囝愋盘栠M(jìn)行準(zhǔn)確識別，即算法的普適性不夠高；二是現(xiàn)有算法基本上都需要經(jīng)過大量樣本的訓(xùn)練才能夠?qū)π盘栠M(jìn)行準(zhǔn)確識別，從而忽略了小樣本情況下信號識別準(zhǔn)確度的問題。

因此，筆者認(rèn)為基于神經(jīng)網(wǎng)絡(luò)的調(diào)制識別算法主要有兩大發(fā)展趨勢：一是對ANN模型進(jìn)行深入研究，構(gòu)建能夠?qū)Χ喾N信號進(jìn)行識別的網(wǎng)絡(luò)模型，使得算法更具有普適性；二是從網(wǎng)絡(luò)參數(shù)入手，利用相關(guān)算法對網(wǎng)絡(luò)模型參數(shù)進(jìn)行優(yōu)化，提高準(zhǔn)確度的同時盡可能降低樣本數(shù)量及訓(xùn)練時間。

3.1小節(jié)和3.2小節(jié)分別論述了近年來國內(nèi)外關(guān)于調(diào)制識別的經(jīng)典方法和基于神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法。表1為這兩類方法的總結(jié)對比分析。

表1 調(diào)制識別方法總結(jié)

4 總結(jié)

無線通信技術(shù)的不斷發(fā)展對非合作通信中調(diào)制方式的識別提出了更高的要求，而當(dāng)前人工智能的不斷發(fā)展為調(diào)制識別技術(shù)的發(fā)展提供了新的契機(jī)。本文著重介紹了人工神經(jīng)網(wǎng)絡(luò)模型在調(diào)制識別中的應(yīng)用。通過對當(dāng)前研究的分析發(fā)現(xiàn)，如今調(diào)制識別主要存在的問題是低信噪比下識別精度低；而人工神經(jīng)網(wǎng)絡(luò)在調(diào)制識別中的模型沒有針對性和普適性。因此，未來對調(diào)制識別的研究主要集中在人工神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建以及低信噪比下識別精度的提高這兩個方面。