摘要：自动调制识别是现代通信系统中一项重要技术。为提高通信系统对不同调制信号间的识别性能,文中首先探索了包含11类调制信号的公开数据集RML2016.10A上原始同相正交(In-phase and Quadrature,IQ)格式数据和经过数据预处理后的幅度和相位(Amplitude and Phase,AP)格式数据的差异;随后,依据原始IQ格式数据和AP格式数据在特征提取过程中对局部相关性及时序特征敏感性的差异,设计了针对空间特征提取的SFE-Block模块、针对长期依赖关系提取的TFE-Block模块,以及联合时空特征提取模块STFE-Block,并将前两者的输出特征作为STFE-Block模块输出特征的重要补充进行特征融合,以全连接(Fully Connected)层负责最终分类。实验结果表明,本模型在数据集RML2016.10A上表现良好。当信噪比(Signal to Noise Ratio,SNR)低于-8 dB时,平均识别精度比其他模型提升7%,而SNR在0~18 dB时,平均识别精度比其他模型提高1%~8%,且在SNR为16 dB时,最高识别精度达92.95%。此外,在RML2016.10B数据集上重复了实验以检验模型泛化性,所得结果同样最优,且当SNR为12 dB时,最高识别精度达到93.6%。

摘要：针对自适应可见性图(AVG)算法复杂度过高且精度提升不明显的缺点,该文提出一种基于单通道多尺度图神经网络(SMGNN)的自动调制识别(AMR)框架,并对框架各个部分进行了可解释性研究。首先利用多层感知机和1维卷积自适应地实现了单通道信号序列和图之间的映射,有效降低了AVG算法的复杂度;其次,设计了一种多尺度图神经网络,将不同分辨率的特征进行融合,提升了模型识别准确率。实验表明,该文提出的SMGNN算法相比于AVG算法节省了近1/2的参数量,且识别精度得到了较大的提升。

摘要：自动调制识别是认知无线电、电子侦察、电磁态势生成中重要的环节.由于电磁环境日益复杂,噪声对能否正确调制识别影响显著.本文针对低信噪比(signal-noise ratio,SNR)环境条件设计了一种基于软阈值的深度学习模型,在卷积神经网络(convolutional neural networks,CNN)的基础上加入软阈值函数.将IQ数据转化为幅度相位信息作为模型的输入,CNN用于提取幅度相位数据中的特征,软阈值学习网络可以针对不同特征设置不同阈值,用于滤除样本噪声,提高低SNR条件下的识别率.在开源数据集RML2016.10a上验证了所提算法的有效性,对比其他网络结构,本文提出的模型识别率更高且效率更高.

摘要：为了构建具有自我学习、自主决策能力的自动调制识别神经网络,将卷积神经网络与长短期记忆层结合设计一种并行双路神经网络来自动提取信号数据的调制信息,用于完成多种复杂无线电信号调制识别任务,其在24种信号的无线电信号数据集上识别率最高可达到97.54%。无线电信号IQ两路信号兼具时域信息和空间关系,还设计了增加IQ分离数据作为辅助通道的多通道联合卷积与长短期记忆神经网络。该方法在训练参数量相近的情况下加快了收敛速度,在调制识别准确度上也有相应提高。

摘要：非合作通信场景下,自动调制识别是实现频谱感知、频谱管理、频谱利用的关键一环,也是进行高效信号处理的重要前提。传统基于模式识别的AMR方法需要手工进行特征提取,面临着设计复杂性高、识别精度低、泛化能力弱等难题。为此,学术界将目光转向以提取数据中隐含特征见长的深度学习方法,提出了多种面向AMR的深度神经网络架构。相比传统方法,ADNN取得了更高的识别精度,且泛化能力更强,适用范围更广。文中对ADNN领域的研究进行了全面的梳理总结,使从业者可以更好地了解该领域的研究现状,明晰该领域存在的问题以及未来的发展方向。首先,介绍了ADNN设计中涉及的典型DL方法;其次,描述了AMR问题的内涵,简述了传统解决方案;然后,详细介绍了ADNN的工作流程、方法分类和各类方法中的典型代表;最后,在公开数据集上对代表性方案进行了实验对比,并指出了该领域未来需要重点研究的几个方向。

摘要：随着无线电信号数据海量增加,复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题,本文针对未知无线电信号的特征提取任务,设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取,再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合,提高对目标信号的分类精度。通过RML2016.04C调制信号数据集,验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时,混合网络模型对多种不同调制信号的分类精度大于95%。因此,本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。

摘要：自动调制识别(Automatic Modulation Recognition,AMR)是复杂电磁环境下的信号感知和识别领域中的重要技术,广泛应用于频谱感知、链路自适应、干扰防护等领域。传统的AMR方法主要依赖于人工提取特征、决策理论和识别器的选择。而深度学习(Deep Learning,DL)算法直接从海量数据中自动获取信号特征,同时实现特征提取和识别。因此,针对复杂多变的电磁环境中的信号识别问题,提出了将DL算法应用于AMR任务。首先,从数据集、信号表示和网络模型三个层面系统地综述基于DL的AMR方法;其次,详细总结了针对不同的信号表示所设计的神经网络模型,其中接收信号可以由专家特征、序列和图像来表示;最后概述了AMR存在的问题、潜在的研究方向和结论。

摘要：调制方式是通信信号的一个重要的特征参数。无论军事或者民用目的,都通常需要对这些信号进行监测。因此对自动调制识别算法的研究具有十分重要的意义。本文基于某无线电监测系统,研究了六种模拟调制信号的自动调制识别算法。针对DSB信号,设计了一个新的特征参数来描述其相位特征,有效的解决了噪声对其相位跳变的影响。文中给出了其表达式和计算流程。通过正交变换得到信号的特征参数。在SNR=5dB时,正确识别率达到97%以上。理论分析与仿真结果证明算法的有效性。

摘要：针对现有自动调制识别算法识别种类少、整体识别率不高和需要预处理这些缺点,提出基于深度学习模型的自动调制识别算法,设计残差网络实现11种在高斯噪声下的数字调制信号的识别。仿真结果表明,采用自适应学习率的残差网络能提供更好的识别效果,在信噪比大于0 dB时,识别率达到95%,与其它深度学习算法相比具有更低的计算复杂度,验证了该算法的有效性。

摘要：针对目前的卫星通信调制分类算法大多忽略了不同尺度特征的融合问题,提出了一个多尺度循环卷积神经网络模型。该网络结构整合了双分支设计、压缩与激励策略、多尺度残差网络以及长短期记忆网络,旨在全面捕捉信号的多尺度特性并有效建模时间序列。实验结果表明:文中所提模型在0 dB以上的识别准确率达到了97.1%,在13 dB时更进一步提升至99%;与经典的CNN2模型和LSTM2模型相比,在识别准确率上展现了显著优势,且相较于识别性能接近的CLDNN2模型,参数量减少了47.7%,训练时间缩短了68%;尤其是QAM16和QAM64两种调制样式识别准确率显著上升并且保持较高水平,这也进一步证实了模型多尺度特征融合策略的有效性。