通信信号调制识别综述

张海燕，闫文君，张立民，李忠超

（1.海军航空大学，山东 烟台 264001；2. 73022部队，广东 惠州 516000）

0 引言

在通信发展初期，信号调制方式的种类只有固定的几种，且信号的收发双方多是合作方，他们会提前商定所要使用的调制样式，不需要对接收到的信号进行识别。随着网络通信技术的快速发展，通信管理系统往往会采用多种调制方案，从而可以使我们更好地利用频谱资源，满足爆发式增长的通信市场需求。对于非合作通信方来说[1-2]，要想获取有用信息，就需要进行调制识别。如今，无论在军用还是民用领域，该技术的应用范围都十分广泛，如电子对抗、战时通信侦察、信号干扰、频谱监测等。

通信信号的调制识别是介于信号检测和信号解调之间的1 项技术，本质上是1 个模式识别问题。调制识别最早起源于军事通信领域，信号的识别大多依靠人工来完成，耗时费力、识别率低。直到1969 年，C.S.weaver等人在斯坦福大学的某项技术报告中发表了首篇关于研究调制方式自动识别的论文，从此打开了自动调制识别（Automatic Modulation Recognition，AMR）的大门。2017 年，美国的国防高级研究计划局DARPA 资助了“调制识别之战”的项目，探索无线电频谱领域新问题的解决和发展之道，提出调制识别是实现“无线态势感知”的关键问题，这种发展态势感知可用来预测频谱使用的不同情况，实现对稀缺的频谱资源更为有效地利用[3]。

目前，调制识别从是否运用深度学习的角度可分为经典调制识别和基于深度学习的调制识别。

1 经典调制识别

1.1 基于最大似然函数的调制识别

首先，根据信号模型的统计特征建立最大似然函数，推导出信号的最佳判决门限；然后，将待识别系统信号的似然比与门限值要求进行分析比较，确定信号的调制类型。基于最大似然函数的调制识别的基本原理如图1所示。

图1 基于似然函数的调制识别方法流程图Fig.1 Flow chart of modulation recognition algorithm based on likelihood function

该研究方法主要分为：平均似然比检测（Average Likelihood Ratio Test，ALRT）[4]、广义似然比检测（Generalized Likelihood Ratio Test，GLRT）[5]和混合似然比检测（Hybrid Likelihood Ration Test，HLRT）[6]。但该类算法需要的先验知识信息较多，计算量大，普适性差，对于非合作通信方，需要对每1种可获得的参数进行概率密度函数的计算，耗时较长，因此，研究该方法的学者逐渐减少。

为了进一步展示基于似然函数的信号调制识别方法，表1 从分类器、候选调制类型、信道以及未知参数方面对该方法进行了总结。

表1 基于似然函数的信号调制识别方法Tab.1 Signal modulation recognition method based on likelihood function

1.2 基于特征提取的调制识别

利用不同调制方式之间的频谱特性的差异提取不同特征，再构造分类器对这些特征信息进行分类，达到对未知调制方式准确识别的目的，其原理如图2所示。

图2 基于特征提取的识别方法流程图Fig.2 Flow chart of recognition method based on feature extraction

此算法具有不同算法复杂度低、易于仿真实现的特点，但对提取到的特征有很高的要求，其计算量较似然函数的方法要小。

当前，特征提取的识别方法中使用的特征主要包括：

1）瞬时幅度、相位、频率的时域特征；

2）循环谱、功率谱和高阶累积量的频域特征；

3）星座图、小波变换的变换域特征。

表2对当前基于特征进行提取方法的调制识别系统研究问题进行了列举。

表2 基于特征提取的信号调制识别方法Tab.2 Signal modulation recognition method based on feature extraction

2 基于深度学习的调制识别

2.1 常用数据集

为便于评估和对比不同的调制识别方法的性能，研究者们创建了一些公开的数据集，其中最为流行的是 RadioML 数 据 集 ，包 括 RML2016.10a、RML2016.10b和RML2018.01a，如表3所示。

表3 常用RadioML数据集Tab.3 Commonly used RadioML data sets

2.2 深度神经网络（Deep Neural Network，DNN）

深度学习以其强大的学习能力，被广泛应用于语音、医疗和图像处理等方面，将其与调制识别相结合，在短短几年里就取得了识别领域的重大突破。

2.2.1 卷积神经网络（Convolutional Neural Network，CNN）

CNN 通过卷积核自动学习图像在各个层次上的关联性，基本结构，如图3所示。

图3 卷积神经网络的基本结构Fig.3 Basic structure of convolutional neural network

1）卷积层

卷积层是通过卷积核的滑动对输入的图像做卷积操作，其中每层卷积层都需要多个卷积核，对特征图分别进行卷积来提取到多个特征，每个特征中都包含输入图像的部分特征。卷积层的计算公式如下：

2）池化层

池化层主要是通过对卷积得到的特征图进行下采样，以达到对输出特征进行选择和降维的目的。应用较广泛的池化操作有最大池化和平均池化2 种，如图4所示。

图4 最大池化和平均池化Fig.4 Max pooling and average pooling

3）全连接层

最大池化是在选取的2×2的卷积核的范围内找到最大值作为下1 层的输入；平均池化则是在所选的2×2 的卷积核区域求出平均值作为下1 层的输入，步长则是卷积核每次移动的距离。

每个输出节点与全部的输入节点相连接，这种网络层被称为全连接层，如图5 所示。该层一般位于CNN最后一部分，w11、w12等所构成的w矩阵叫作全连接层的权值矩阵，b是偏置向量。

图5 全连接层Fig.5 Full connection layer

4）激活函数

激活函数加入神经网络后，可以给网络添加非线性因素，更好地优化了网络的性能。常用的激活函数有Sigmoid、ReLU和Tanh等，其数学公式如下。

2.2.2 循环神经网络（Recurrent Neural Network，RNN）

RNN主要处理序列值数据，它可以处理类似于局部不相关的数据，或者时间维度上长度可变的数据。它是由输入层、隐藏层和输出层组成，隐藏层中的指向数据循环更新的箭头，实现了时间记忆功能。基本结构，如图6所示。

图6 RNN的基本结构Fig.6 Basic structure of RNN

2.3 识别算法

DNN可以对信号深层特征进行深度提取和挖掘，实现对信号特征的精细化表达，应用在调制识别方面已经取得了一定的成果。在对大量文献进行研究后，列举了基于深度学习的比较有代表性的识别方法，如表4所示。

表4 基于深度学习的调制识别方法Tab.4 Modulation recognition method based on deep learning

3 未来发展方向

基于目前的研究可以看出，调制识别已经取得一定成果，但仍存在一些不足。

首先，现有算法大多对特定几种或者十几种调制方式进行闭集识别，而现实情况是一旦出现了新的调制方式，直接利用现有的方法进行识别，定会导致错误的分类，最终影响对信号后续处理。因此，对开集识别的研究十分重要。

其次，目前国内外学者大多偏向于有监督深度学习算法的研究，研究依赖大量有对应标签样本，但实际上却存在大量无标签的数据，因此，基于大量无标签的数据的调制识别算法值得研究。

最后，现有的识别算法大都处于仿真阶段，很多调制识别算法为了提高识别准确率，往往需要大量数据和强大的硬件平台计算资源，特别是基于深度学习的调制识别方法，大都需要高性能显卡的计算机长时间训练网络，这样才能得到较好的结果。如何完成算法的工程实现是我们下一步努力的方向。

4 结束语

本文首先从定义、原理和现有识别方法等角度入手，对经典调制进行了总结；然后，分析了深度学习的方法，给出了常用数据集，着重分析了深度学习网络，包括CNN 和RNN，列举了大量的深度的学习识别方法；最后，展望了调制识别技术的发展方向，为接下来的研究打下基础。