淺談通信信號調制樣式自動識別方法 -古相平
程磊, 葛臨東, 彭華,等. 通信信號調制識別現狀與發展動態[J]. 微計算機信息, 2005, 021(10S):154-156.
曾創展, 賈鑫, 朱衛綱. 通信信號調制方式識別方法綜述[J]. 通信技術, 2015(03):252-257.
1bit =6db

概念

• 通信信號的調制識別是指在未知調制信息內容以及調制參數的前提下，判斷出信號所采用的調制方式并估計出某些調制參數，為解調器正確選擇解調算法提供參數依據，最終獲得有用的信息內容的過程。
• 調制樣式識別是介于能量檢測和解調之間的過程，能量檢測只需要粗略地估計信號的帶寬和中心頻率，而解調需要精確的頻率信息和信號的調制樣式。因此，調制樣式的識別就需要在先驗知識較少的情況下完成識別的過程，并得到更加精確的一些參數值。

系統組成

• 調制樣式自動識別系統包括以下幾個部分：
  信號預處理模塊、特征提取模塊和調制樣式識別模塊。
  信號預處理模塊的主要功能是為后續處理提供合適的數據，其任務一般包括：A/D轉換、頻率下變頻、同相和正交分量分解、載頻估計和載頻分量的消除等。
  特征提取模塊是從輸入的信號序列中提取對調制識別有用的信息，主要是從數據中提取信號的時域特征或變換域特征。時域特征包括信號的瞬時幅度、瞬時相位或瞬時頻率的直方圖或其它統計參數。變換域特征包括功率譜、譜相關函數、時頻分布及其它統計參數。對于變換域特征，采用FFT方法就能很好的獲取，而幅度、相位和頻率等時域特征主要由Hi1bert變換法，同相正交(I—Q)分量法和過零檢測法等獲得。

識別方法

• 調制樣式識別的方法主要分為基于特征提取的統計模式識別和基于決策理論的最大似然假設檢驗，不論是決策論途徑還是模式識別途徑, 通信信號的自動調制識別實際上都是假設檢驗和統計推斷這兩個基本數學方法現。其中后者的兩個步驟包括:一、對信號進行特征統計處理, 即構造信號的特征統計量; 二、根據某種準則, 將求得的信號特征量與門限進行比較, 并對其調制種類做出判決。
  統計模式識別方法首先要從接收的信號中提取出特征參數，然后通過模式識別系統來確定信號調制類型。①基于統計參數的特征提取方法；②基于譜相關分析的特征提取方法；③基于時頻分析的特征提取方法；④基于高階統計量的特征提取方法；⑤基于信號星座圖的特征提取方法。
  決策論方法采用概率論和假設檢驗中的貝葉斯理論解決信號的識別問題，它根據信號的統計持性，通過理論分析與推導，得到檢驗統計量，然后與一個合適的門限進行比較，進行判定。

基于統計模式的調制識別方法

• 優點： 理論分析簡單，預處理簡單易實現，高信噪比時信號特征易提取、適用類型多、識別性能較好。在某些條件下，識別性能能夠接近理論最優算法。在預處理精度較差、先驗知識較少的非合作通信的環境下，基于統計模式的調制識別方法依舊能夠有較好的識別性能。
• 缺點：算法的識別體系較繁雜，識別框架沒有完備的理論基礎，因而并不完善; 算法通常基于特定的信號樣本來提取特征及設定判決門限，因而識別效果受噪聲影響較大，當信道不理想時，特征比較模糊。此外，通常還需要額外的訓練樣本且工程實現較困難，因為算法結合了很多現代信號處理方法，而這些處理方法又大多沒有能夠實現工程應用或工程實現的效率不高。

基于決策論的調制識別算法

• 優點： 其具有完備的理論基礎，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則下其分類效果最優，因而可以將其作為理論性能上界，用以檢驗其他識別方法的性能。此外，由于檢測統計量建模中充分考慮了噪聲因素，因此在低信噪比下也有較好的性能，并能通過其對信道信息的完備性來改進算法以保證算法在非理想信道下的識別性能。
• 缺點：( 1) 似然函數推導復雜，未知變量較多時既難以處理，計算量還大。因而通常采用非似然比近似算法，但簡化處理會丟失分類信息導致分類性能下降;
  ( 2) 適用性差。由于似然函數的參數均是由特定條件下特定信號推導得到的，因而只適用于特定環境的調制識別問題;
  ( 3) 需要大量先驗知識，在參數估計存在偏差或所建模型與實際信道特性不匹配的情況下，算法性能急劇下降。

碩博論文

[1]陳蕙心. 通信信號調制識別技術研究[D].

創新點：

• 基于高階累積量和熵值聯合特征的調制識別算法
• 提出改進粒子群（PSO）算法，構造出改進PSO-SVM分類器

文章中提到的研究現狀

假設檢驗似然比方法

特征提取的模式識別方法
信號預處理： 下變頻處理、載波頻率的估計及正交分量分解等
特征參數提取： 基于瞬時信息、高階累積量和熵值
分類識別： 通常采用的分類器有——決策樹、神經網絡與支持矢量機三種。

模擬與數字通信分離

• 模擬與數字通信信號的最大區別是碼元速率的存在與否，對待識別信號進行碼元速率的估計，通過判斷信號碼元速率是否存在就可以準確地將數字通信信號和模擬通信信號分離開。對信號碼元速率的估計可利用信號的功率譜、非線性變換或小波變換來實現。基于小波變換的碼元速率估計方法大都適用于非零載頻的調制信號，故采用該方法實現對數字通信信號與模擬通信信號的分離。
  
• 連續小波變換（Continuous Wavelet Transform，CWT）
• 2.5理論未理解

論文中提出的三種調制識別

基于瞬時特征的調制識別——7（2—>MASK類內分類 5—>其余）

**七種特征參數：**幅度譜峰值、絕對幅度標準差、頻率均值、遞歸頻率均值2、遞歸頻率均值3、相位均值、遞歸相位均值

基于高階累積量和熵值聯合特征的調制識別

• 信號的瞬時特征受外部噪聲影響較大，故提取對噪聲不敏感的高階累積量作為信號分類的特征，選取合適的熵值特征可以識別高階累積量特征無法區分的信號。（高斯隨機變量對應的高階累積量為零）
• 高階矩和高階累積量的定義and矩和累積量的轉換關系 (未理解）
• 由于決策樹的判決門限不具備自適應性，即使在低信噪比條件下不同信號的特征參數具有很好的區分性，但此時特征值不滿足門限判決條件會出現誤判現象，致使算法性能下降。因此，選用具有自適應性的分類器是本文研究提高調制識別算法性能的一個重點。

基于支持向量機的調制識別 （改進粒子群算法優化支持向量機參數）

• 常用的分類器除決策樹外還有 神經網絡 （所需樣本數量大，易出現過學習、欠學習、陷入局部最小點）and 支持向量機SVM（處理有限樣本時有較好的分類性能和泛化能力，很好地處理非線性及高維模式識別等問題）

本文所研究課題在以下方面還可做進一步改進：
（1）真實的信號接收環境是復雜多變的，如何提取魯棒性更好的特征參數以提高調制識別算法的魯棒性是一個待研究的方向。
（2）本文提出的算法僅針對于單一的數字單載波信號調制樣式的分類識別，而在現實生活中信號的種類更加復雜多樣，如何改進本文算法使之能用于對復雜調制信號的識別是一個待研究的方向。
（3）本文主要研究了 AWGN 信道中數字通信信號調制樣式的識別，但在實際應用中信號的傳播還受到多徑衰落、瑞利衰落及其他噪聲的影響，因此還需探索在上述噪聲環境中對通信信號調制識別算法的改進。

[2] 周龍梅. 基于深度學習的通信信號識別技術研究[D]. 2018. （短時傅里葉變換、小波 神經網絡）

研究意義

• 通信信號識別的兩個主要過程，即特征提取與分類識別，大多基于淺層學習算法。
• 特征提取過程中，傳統的通信信號識別算法大多通過大量的人工分析提取目標信號在理想模型或環境中的屬性特征，對于復雜的環境或復雜的感知任務的適用性不強。眾多學者利用已有的一些模型如主成分分析、稀疏編碼等對語音信號、圖像信號、文本信號等進行抽象特征提取，即**“表征學習”（Representation Learning）。在表征學習用于通信信號的特征學習與提取方面，目前的研究大多數僅限于嘗試利用機器學習的一些普式模型**（如PCA、稀疏編碼、自動編碼器、LLE等），或者借助其他語音及圖像領域的經驗學習模型對通信信號進行處理。
• 在分類識別過程中，隨著機器學習技術的發展，人工判決樹算法（根據特征閾值進行決策的判決樹）逐漸被機器學習分類器取代，在一定程度上提升了分類器對于復雜通信環境、復雜信號類型分類問題的自適應性，但目前主要利用機器學習中的淺層網絡和經典模型，如SVM、Ｋ均值、貝葉斯模型等，解決通信中遇到的分類、識別、決策判斷等方面的問題。部分學者也開始嘗試利用成熟的深度學習網絡，如卷積神經網絡（CNN），進行通信信號特征提取和信號識別等任務，然而結合通信信號本身和信號傳輸系統的特點對深度學習網絡模型進行重新建模很少有嘗試。結合通信信號本質進行深度學習網絡研究，構建具有自適應性、自我學習、自主決策能力的通信信號處理機制因此具有重大的意義。

文章所提國內外現狀

通信信號識別應用方面，許多學者采用SVM對提取的特征進行分類，如利用通信信號的循環平穩性質構造循環累積量域內的信號分類特征矢量，采用支持矢量機將分類特征矢量映射到高維空間并構建最優分類超平面，實現對多類數字調制信號的自動識別 （上一篇文章用到的） ；或通過小波變換將輸入信號映射到一個高維特征空間，再利用支持向量機對數字調制信號進行分類。還有【1】采用 隨機森林算法 對雷達信號的時頻圖像特征進行脈內調制識別；【2】利用 反向傳播神經網絡 分別對基于 小波變換 提取的特征和基于 領域粗糙集屬性快速約簡算法 選擇的調制特征參數進行信號識別。

• 大多停留在淺層學習層面，即利用機器學習算法完成通信系統任務中的識別、檢測、估計等任務，用于識別、檢測的特征仍采用專家特征，不僅需要大量的人力且依賴于專業的知識和分析，同時不便于推廣。深度學習與傳統模式識別方法的最大區別在于它從大數據中自動學習特征，而非采用手工設計的專家特征。

問題綜述

三種基本的數據預處理方法：區間縮放、標準化和歸一化方法。
區間縮放：將特征的取值區間縮放到某個特定的范圍內，將特征縮放到[0,1]范圍內。
標準化：將服從正態分布的數據轉換成服從標準正態分布數據的過程。利用特征的均值和標準差s。
歸一化：針對各個樣本的不同特征屬性值進行處理。

傳統通信信號識別過程中使用的特征有：高階累積量、小波特征等。
常用的時頻分析方法：
①短時傅立葉變換：不同于傅立葉變換之處在于前者在分析信號的過程中引入了窗函數的概念。利用窗函數截取小片段信號再分析該片段信號的頻譜特性，可以獲得該片段信號對應時間附近的局部頻譜，當窗函數隨時間變換平移，則可以獲得信號的二維時頻譜（反應信號頻譜隨時間的變化情況）。短時傅立葉變換的加窗操作可以將非平穩或時變信號分成許多近似平穩的小片段信號，從而可對這些小片段信號進行傅立葉變換分析。將短時傅立葉變換用于非平穩信號的分析時，為了更好地反應信號頻譜隨時間變化的規律，窗函數的長度需要根據信號的不同進行適當調整，從而獲得適當時間或頻率分辨率的特征，如：對于變化平緩的低頻信號應采用具有較高頻率分辨率的窗函數，而對于變化劇烈的信號則應采用具有較高的時間分辨率的窗函數。
②小波變換：利用一系列由母小波函數經時間平移和伸縮變化得到的子小波函數對信號進行時移比較，并利用小波系數表征信號與一系列子小波的相似程度。由于子小波可以通過不同的時間平移和伸縮變化達到任意小的規定精度，也能精確度量有限長的信號，因此可以獲得信號局部時間區域內的信息，這是傅立葉分析做不到的。
③Winger-Ville（ＷＶ）分布：又稱為雙線性時頻分析，具有良好的時頻聚集性，對于線性調頻信號具有良好的檢測性能。基于ＷＶ分布提取的信號特征也可以反應信號頻率隨時間的變換規律，較好地識別信號是單分量還是多分量。

分類器
識別算法的優劣性可以從幾個方面進行評估：①識別率，特別是低信噪比條件下的正確識別率；②算法復雜度，包括算法計算復雜度、算法設計復雜度、算法實時性等；③算法的場景適用性，包括對不同的信號傳輸場景的適用性、對多種信號的準確識別等；④分類器的自動化和智能化水平。
基于人工設定閾值的分析決策樹缺乏自動化和智能化設計，場景轉換和信噪比等參數變化都會導致分類效果的大大降低。基于機器學習算法設計的分類器被廣泛應用于調制識別等任務中常用的分類算法及分類器有：KNN（基于少數服從多數原則，將一個樣本的類別選定為特征空間中該樣本最鄰近的Ｋ個樣本中大多數樣本所屬的類別）、SVM（針對線性可分的兩類數據，以結構風險最小化為歸納原則構造特征空間中的最優超平面，以最大化特征空間中數據到該超平面的距離。線性不可分的數據則需要通過核函數將低維特征映射到高維特征空間使其線性可分）

深度學習算法 （四種算法未看 有時間補）

• 淺層學習如支持向量機、最大熵方法、提升方法等對人工分析獲取的不具有層次結構的單層樣本特征進行學習，而深度學習則通過構建多個非線性操作層獲取原始信號經逐層特征變換得到層次化的特征表示，深度學習獲得的特征不依賴于人工分析，是自主學習得到的。基于無監督特征學習和特征層次結構的深度學習算法能夠很好地解決傳統機器學習過程中由依賴于人工設計特征帶來的實際操作困難、局限性大的問題，從而大大提高識別系統的性能。
  ①受限波爾茲曼機(RBM)②Gibbs采樣與對比散度算法③卷積受限波爾茲曼機（CRBM)④深度信念網絡關鍵算法

基于短時傅里葉變換機制的特征學習網絡（深度學習 先略過）

基于小波變換機制的特征學習網絡（同略）

基于深度學習的通信信號識別與檢測(未細看）

對2ASK、4ASK、2FSK、GFSK、16QAM、OQPSK六類調制信號進行識別。
利用基于CRBM的STFT特征學習網絡和基于RBM的STFT特征學習網絡分別構建了完整的數字調制識別網絡，考察三種傳統算法和兩種基于深度神經網絡的算法）在不同的信噪比下對六種調制信號的識別精度，驗證了本文提出的基于深度神經網絡的特征學習網絡的優越性，并通過比較網絡的訓練、測試速度證明了基于RBM的特征學習網絡在計算復雜度的優勢。最后，針對無線通信信道中的信號檢測問題，基于直接型和間接型DWT特征學習網絡分別構建了完整的信號檢測網絡，考察直接型特征學習網絡輸出特征、不同組成的間接型特征學習網絡輸出特征和傳統小波變換提特征對信號檢測識別準確率的影響。

總結

針對傳統算法中專家特征提取算法的場景局限性、人工分析成本高等問題，本文創新地將深度學習網絡引進通信信號的特征提取中，利用多層非線性網絡獲得抽象的高層特征表示和屬性類別特征等，并利用深層特征實現通信信號的高精度分類與識別。
從注意力機制的提出原理中獲得啟發，提出基于基本的通信信號時頻分析方法構造更適用于通信信號識別場景的深度學習網絡，包括引入時傅立葉變換機制和離散小波變換機制構建基于通信信號深度特征學習網絡和信號識別網絡。對于深度學習網絡而言，網絡復雜度也是一個重要性能指標，網絡越復雜，對硬件的要求越高，網絡訓練和運算執行的速度也會越慢。為了降低深度學習網絡對高性能硬件的要求，加快網絡訓練速度，本文改進了基于卷積受限玻爾茲曼機實現的基于短時傅立葉變換機制的特征學習網絡，通過分析網絡模型的計算過程，適當調整網絡層順序和網絡結構，利用非卷積網絡實現相同的數據計算處理過程，從而大大降低網絡復雜度，提升網絡訓練速度。
缺點：數據集仿真生成/深度學習處理數據為實數信號(通信信號分析和處理一般為復數信號)
許多值得研究的內容，如：利用深度學習網絡構建完整的無線通信系統、利用深度學習算法構建多類型通信信號濾波器等。在后續的研宄中，除了需要采集實際數據集進行深度學習網絡的訓練和測試外，我們將進一步模擬通信信號循環譜特征的提取方法，構建新的通信信號特征學習神經網絡，并將其應用于更復雜多樣的調制方式識別等問題中。

[3]周江. 基于神經網絡的通信信號調制識別研究及實現[D]. CNN LSTM長短時記憶

全文概述

基于貝葉斯決策理論的調制識別，實質就是一個多重假設檢驗的問題。通過精巧的設計假設空間，檢驗統計量（通常是似然比函數）進行理論推導，尋找合適的判決門限，理論上可以實現在貝葉斯代價最小化準則下的調制模式判決。基于貝葉斯決策理論的調制識別具有完備的理論依據，并保證了在貝葉斯最小代價準則下調制識別效果最佳，因而可以作為理論性能上界檢驗其他識別算法的性能。然而在實際工程中，由于通信環境非常復雜，并且待識別的信號調制模式眾多，導致調制模式正確識別率并不是很高，尤其是在低信噪比條件下，識別性能會急劇下降。并且，基于決策理論的調制識別算法理論推導繁雜，算法通用性差，工程實現代價大，導致識別效率非常低下，不利于信號調制模式實時的自動識別。

基于機器學習理論的模式識別方法優勢在于，基于統計機器學習的調制識別技術思路簡單清晰，算法切實可行，性能優良可觀。并且，基于機器學習的調制識別器具有很好的魯棒性，可以自適應通信環境的變化，導致調制識別器在較低信噪比條件下仍然可以很好的完成通信信號調制識別任務。其最大的缺點就是目前尚沒有完善的理論明確指出調制識別器的理論識別限，并且機器學習算法模型繁多，也沒有明確的理論指導我們面對具體問題應該提取什么樣的特征組合，選擇什么樣的算法模型，確定什么樣的超參集合，而這些都需要進行大量的實驗去嘗試。

本文技術方案：一是基于人工特征工程構建淺層神經網絡調制識別器，二是基于深度學習技術構建端到端的調制識別器。

兩者的輸入：前者需要基于通信信號的領域知識構造精巧的人工特征作為神經網絡的輸入（通信信號的特征向量）；而后者則可以直接將采樣得到的通信信號樣點作為神經網絡的輸入。**兩者的計算資源需求：**基于人工神經網絡的通信信號調制識別器計算資源開銷主要有三個方面，一是通信信號的預處理及特征提取，二是神經網絡在訓練數據集上的訓練學習，三是神經網絡對于待識別通信信號的推理判斷。其中，對于通信信號的預處理是兩者都需要，而特征提取工作則只是淺層神經網絡調制識別器需要進行的。神經網絡在訓練數據集上的訓練學習則是最大的計算資源開銷，其取決于訓練數據集的規模和神經網絡的規模，那么顯然后者相比于前者會花費更多的計算資源。同樣，對于未知調制模式信號的推理判斷，前者需要提取特征然后輸入進神經網絡進行計算推理得到調制模式，后者則直接將采樣信號輸入進神經網絡進行計算推理得到調制模式，相比之下，后者還是會消耗更多的計算資源。綜合來講，由于最大的計算資源開銷在于神經網絡的訓練，因此我們可以斷定后者相比前者會消耗更大的計算資源代價。

神經網絡理論基礎

人工神經網絡是一種模擬人類大腦神經元行為的機器學習算法。只要在人工神經網絡中添加足夠的神經元，那么它就能擬合任意復雜的函數，這被稱為神經網絡的普適近似性。假設通信信號與其調制模式之間存在一個我們尚不清楚的映射關系，但是通過神經網絡的普適近似性，我們就可以學習到這個隱含的映射關系。

人工神經網絡相比于其他的機器學習算法非常善于處理非線性高維度的問題，并且善于挖掘出輸入輸出之間隱含的映射關系，所以利用人工神經網絡來構建通信信號的調制識別器是一種新巧的方法。

人工神經網絡也存在著一些固有缺點。首先人工神經網絡神經元之間的連接眾多，所以參數集合很大，從而導致訓練規模很大。其次人工神經網絡要優化的目標函數往往是一個非凸函數，那么在利用梯度下降等算法迭代求解的過程中就很容易陷入局部最優而無法跳出或者遇到鞍點從而無法訓練。然后就是由于神經元激活函數的特性，導致存在優化的目標函數比較平坦，導致算法收斂速度比較慢，另外激活函數還容易引起梯度爆炸和梯度消失的問題。最后由于網絡規模龐大，待訓練的參數眾多，導致極易出現過擬合的現象。（改進的解決：基于隨機梯度下降算法的 mini_batch BP 算法可以加快訓練速度以及減弱梯度爆炸和消失的程度，自適應的 BP 算法可以避免算法陷入局部最優，彈性的 BP 算法也可以加快算法的收斂速度，正則化策略可以減弱過擬合的影響，改進的激活函數和初始化策略等也有有效的解決神經網絡訓練中出現的一些問題。 ）

常見激活函數
Sigmoid函數 ：幾個明顯的缺陷——梯度飽和性(對基于反向傳播算法的神經網絡訓練極為不利，易導致網絡無法收斂）、全局非負性（值域非負，均值大于0，不符合神經網絡數值期望為0的設想）、計算復雜性。
Tanh函數 ：為解決均值非 0 問題提出一種激活函數，tanh(x) = 2sigmoid(2x)-1 ,均值為0，但仍梯度飽和且計算復雜。
ReLU函數 ：線性整流函數。 優：解決了sigmoid在x正半軸梯度飽和問題，計算復雜度更低。 缺：期望非0、x負半軸梯度為0，無法傳播梯度更新權重—"死區“
Leaky_ReLU函數 ：性能不夠穩定
P_ReLU函數 ：參數化修正線性單元函數。增加了網絡的自由度，增加網絡的過擬合風險。

損失函數：基于分類任務的交叉熵損失函數和基于回歸任務的平方損失函數。

神經網絡相關看 ：Lan Goodfellow, Yoshuo Bengio. Deep Learning[M]. 北京：人民郵電出版社，2017.

通信信號調制模式及特征抽取

2ASK 4ASK BFSK 4FSK BPSK QPSK 16QAM

通信信號的特征：通信信號譜特征和高階累積量特征
通信信號的譜特征是針對信號的瞬時幅度、相位和頻率以及信號功率所提取的統計量，常用五個譜特征：最大功率譜/瞬時幅度絕對值標準差/瞬時相位絕對值標準差/瞬時相位標準差/瞬時頻率絕對值標準差

余圖略。根據特征的不同可區分信號。
信號的累積量特征指信號的各階矩特性，我們通常會計算信號的二階、三階、四階矩，原因一是信號的高階矩能排除噪聲的影響，高斯噪聲的高階矩為 0；二是對于信號來講，過于高階的矩計算會很復雜。
針對離散信號，求各階矩。針對通信信號，對信號向量做希爾伯特變換，與原始信號組成解析信號，然后取其實部和虛部，構成各階高階累積量。

• 我們必須組合全部特征來對我們的調制信號進行分類。人工神經網絡正是基于這樣一個假設“一個信號的各類特征經過線性組合再經過非線性映射就能得到它的調制模式標簽”來對我們的信號進行調制模式識別的。

淺層神經網絡通信信號調制識別器的設計與實現

• 輸入是通信信號的特征向量，輸出是其相應的調制模式類別標簽。
• 通過第三章的描述可知，我們在分析中采用的信號特征包括 5 個譜特征和 12 個累積量特征，那么對每個信號就可以由一個 17 維度的特征向量來描述，因此我們設置輸入層神經元數目為 17。因為我們需要進行識別的調制信號共七類，因此我們設置輸出層神經元數目為 7。
• ReLU激活函數用于隱藏層神經元的激活。Softmax 激活函數作用于輸出神經層神經元。損失函數就可以明確的設計為交叉熵損失函數。對數據的真實標簽進行獨熱編碼。（對于樣本的真實標簽，也必須轉換為一個相同維度的概率分布向量才能計算交叉熵損失。正好，獨熱編碼能達到這樣的目的）
• CPU很擅長處理串行的復雜的邏輯運算任務；而 GPU 則特別適合處理高并行的計算密集型任務，尤其是SIMD 的任務。對于神經網絡而言，則是一個典型的 SIMD 任務。但是 GPU 的工作需要在 CPU 的引導下完成，也就是說 CPU 和 GPU 構成一對 master 和 slaver，本章后續的內容就主要介紹在 CPU 和 GPU 平臺上協同實現神經網絡

https://blog.csdn.net/sean_xyz/article/details/44156215 SIMD任務含義

基于深度學習技術的通信信號調制識別研究 （卷積神經網絡和循環神經網絡-LSTM）

• 在淺層的神經網絡中，我們需要從原始的通信信號采樣數據中人工設計和提取特征，用于神經網絡的輸入。要求特征的設計者具備良好通信與信號領域的專業知識，這也就是所謂的“特征工程”的一個弊端。為了避免這個弊端，我們可以考慮實現一個端到端的通信信號調制識別系統，即將原始通信信號采樣數據作為系統輸入，直接輸出信號的調制模式，而不必考慮如何設計優良的特征描述通信信號。對機器而言，這是一種更高層次的學習，而深度學習技術給我們提供了這樣的途徑。

總結

創新點：神經網絡采用 ReLU 這種新型的激活函數和交叉熵這種損失函數；基于深度神經網絡模型 CNN 和 RNN 構建端到端的通信信號調制識別器；在 GPU 硬件平臺實現了基于神經網絡的通信信號調制識別器。

未實現： 第一，在現實的無線信道中，傳輸的各種調制模式的通信信號數量是不平衡的，也就是說關于通信信號調制識別在機器學習領域中就是一個嚴重的“不平衡類多分類問題”，針對不平衡分類問題，需要有進一步的研究。 第二，關于端到端的通信信號調制識別器，文中采用的 CNN 和 RNN 模型都還比較簡單，因此可以進一步研究目前更加復雜的模型在通信信號調制識別這個任務上的性能表現，比如殘差網絡，雙向循環網絡，結合卷積特性和時序特性的RCNN等神經網絡結構，當然這也意味著需要更大的數據集和計算資源。 第三，目前基于神經網絡的通信信號調制識別器都還是在軟件層面的實現，未來可以考慮在 FPGA 甚至專用集成電路（Application Specific Integrated Circuit，ASIC）上去實現，這就必須進一步研究數據量化、模型壓縮等相關課題。

[4] 孫汝峰. 基于高階累積量與譜分析的數字調制信號識別[D]. 2016.

• 常用的特征提取方法如基于時域頻域瞬時特征以及變換域特征等方法。基于變換域特征的方法主要分為兩部分來實現，第一部分將要識別的信號轉變到其他特征空間，第二部部分主要分析信號在新特征空間中的特征并提取出特征參數，進而實現對信號的分類。基于傅里葉變換、小波變換和循環譜的分類特征就屬于該類方法。
• 傳統的信號處理一般是采用平穩隨機過程作為研究模型，但實際信號經過諸如采樣、掃描、編碼、調制等周期性操作后不再具有平穩特性，即其統計參數諸如平均值和自相關函數等不再是時不變的，而是隨時間呈現周期特性，該特性也被稱為循環平穩性。

高斯信道下基于高階累積量與二次方譜的數字調制信號的識別

本文提出了一種基于信號八階累積量和二次方譜的方法。利用從信號的八階累積量以及四階累積量中提取的特征參數對所要識別的 12 種信號進行分類，對于不能直接識別的QPSK 和 OQPSK、8PSK 和π/4-QPSK 的兩類信號，本文首先對該類信號進行差分處理，之后推導出信號差分后的八階矩和八階累積量，從中提取出兩個特征參數，實現對這兩類信號的識別。由于 2/4/8FSK 信號的高階累積量值都相同，不能夠利用高階累積量進行識別，本文利用 MFSK 信號的二次方譜的譜線特征，提取出一個特征參數，實現該類信號的識別。本文用了四個特征參數實現了對 4ASK、2PSK、QPSK、OQPSK、8PSK、π/4-QPSK、2/4/8FSK、8QAM、16QAM、32QAM 等 12 種信號的識別。

非高斯信道下基于循環譜的數字信號的調制識別

本文提出了一種基于循環譜的識別方法：首先將被 Alpha 噪聲污染的數字信號進行預處理，以解決 Alpha 噪聲下信號循環譜失效的問題，然后對處理之后的信號求循環譜，通過分析各信號循環譜的譜線特征，提取出 4 個特征參數對信號進行識別。仿真結果表明，在 Alpha 噪聲環境下，該方法可以實現對 2PSK、QPSK、2FSK、4FSK、MSK 五種信號的識別，并且取得了較高的識別率，具有良好的性能。

• Alpha 穩定分布是一種廣義化的高斯分布，高斯分布只是它的一個特例。Alpha 穩定分布沒有統一閉式的概率密度函數，所以在描述它時經常采用特征函數來描述。
• 實際應用中，通信信號更接近于一個周期平穩過程，其統計特性常呈現出時間的周期性。
• 由于 Alpha 噪聲不存在二階及二階以上的統計量，所以被 Alpha 噪聲污染的信號也就不會存在有效的循環譜，分析原因主要是因為 Alpha 噪聲中存在著很大的沖激脈沖，致使受污染后的信號存在著較大的幅度。

展望

(1）高斯噪聲環境中，實現信噪比在 0dB 以下信號的高識別率。
(2)對多徑、瑞利信道下的調制識別技術研究。
(3)第四代移動通信的信號主要是 OFDM 信號，本文并未對該信號進行識別，下一步的研究方向可以針對復雜信道環境下OFDM 信號的識別展開研究。
(4)對于采用高階累積量的分類方法，常常需要知道調制信號精確的載頻信息，因此在對載頻進行估計時對估計算法的要求較高，因此需要對載頻估計算法做進一步研究。

[5] 吳添. 基于機器學習的數字信號解調與識別的研究[D]. 2019. （軟件無線電）

總結

以上是生活随笔為你收集整理的通信信号调制方式识别——综述/硕博的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。