基于深度学习的调制识别综述Word文件下载.docx
《基于深度学习的调制识别综述Word文件下载.docx》由会员分享，可在线阅读，更多相关《基于深度学习的调制识别综述Word文件下载.docx（12页珍藏版）》请在冰豆网上搜索。
系统地梳理了基于深度学习的调制识别技术，首先介绍了相关基础，随后详细阐述了其系统架构、数据预处理方式、深度神经网络结构、常用数据集以及评价指标，最后分析展望了该技术未来的发展方向。
关键词：
深度学习；
调制识别；
数据预处理；
深度神经网络
中图分类号：
TN929
文献标识码：
A
doi:
10.11959/j.issn.1000-0801.2021114
Asurveyofdeeplearningbasedmodulationrecognition
SUNShujun1,PENGShengliang1,YAOYudong2,YANGXi3
1. CollegeofInformationScienceandEngineering,HuaqiaoUniversity,Xiamen361021,China
2. DepartmentofElectricalandComputerEngineering,StevensInstituteofTechnology,HobokenNJ07030,USA
3. CollegeofInformationScienceandEngineering,JishouUniversity,Jishou416000,China
Abstract:
Modulationrecognitionisoneofthefundamentaltasksforcommunicationssystems,whichcanbewidelyappliedinvariousfields,suchascognitiveradio,intelligentcommunications,radiosurveillance,electronicwarfare,etc.Inrecentyears,deeplearning（DL）basedmodulationrecognitionhasattractedgreatattentionduetoitssuperior ityinfeatureextractionandrecognitionperformance.ThetechniquesofDLbasedmodulationrecognitionweresys tematicallysummarized.Firstly,someknowledgerelevanttoDLbasedmodulationrecognitionwasintroduced.Then,thesystemarchitecture,datapre-processingmethods,deepneuralnetworkstructures,prevalentdatasetsandperfor mancemetricsofDLbasedmodulationrecognitionwereillustrated.Finally,thefuturedirectionsofDLbasedmod ulationrecognitionwerealsodiscussed.
Keywords:
deeplearning,modulationrecognition,datapre-processing,deepneuralnetwork
收稿日期：
2021-04-03；
修回日期：
2021-05-20
通信作者：
彭盛亮,peng.shengliang@
基金项目：
国家自然科学基金资助项目（No.61861019）；
华侨大学中央高校基本科研业务费专项（No.ZQN-708）
FoundationItems:
TheNationalNaturalScienceFoundationofChina（No.61861019）,TheFundamentalResearchFundsfortheCen tralUniversities（No.ZQN-708）
1引言
调制识别是要识别出信号采用的调制方案，有着广泛的应用。
在认知无线电中，调制识别有助于次级用户了解主用户信号的细节信息，是无线环境全面感知的重要组成部分；
在智能通信中，调制识别能够减少调制信息的传输开销，实现信号的盲解调；
在无线电监管中，调制识别有利于更精准地判断信号是否满足无线电管理规定；
在电子对抗中，识别敌方信号的调制方案是有效实施无线电干扰和欺骗的前提
近年来，随着深度学习（deeplearning,DL）的蓬勃发展，基于DL的调制识别技术越来越受到人们的关注。
与传统调制识别方法不同，基于DL的方法采用深度神经网络（deepneuralnetwork,DNN）作为分类器，具有3方面的优势：
第一，能够充分利用通信系统中存在的海量数据，有效改善调制识别精度；
第二，能够实现自动提取特征，克服手动提取特征过程依赖专业背景和人工经验的难题；
第三，能够持续受益于深度学习工具的快速迭代和演进，具备在复杂场景下解决复杂调制识别问题的潜能
2相关基础
2.1传统算法
传统的调制识别算法可分为两大类，即基于似然（likelihoodbased,LB）的算法和基于特征（featurebased,FB）的算法LB算法将调制识别问题视为一个多元假设检验问题，它可以得到最优解，但其计算复杂度相对较高。
参考文献［3］研究了平均似然比和广义似然比在调制识别中的应用。
参考文献［4］设计了两种分别基于Gauss-Legendre和Gauss-Hermite求积规则的LB算法，用于识别线性调制。
FB算法从信号中提取特征用以区别不同的调制方案，如果特征和分类器选择恰当，该算法可以在保证较低复杂度的同时获得近似最优的性能，因而逐渐占据了主导地位同。
参考文献［6］提出了一种以高阶累积量（high-ordercumulant,HOC）为特征的FB算法，在多径衰落条件下具有较好的鲁棒性。
参考文献［7］以近似嫡为特征，实现了连续相位调制的识别。
在参考文献［8］中，四阶谱特征和压缩感知被用来区分星座图类似的调制信号。
此外，在分类器方面，参考文献［9］的研究表明，决策树比人工神经网络更适用于多输入多输出系统。
参考文献［10-12］中也提出了基于其他分类器的FB算法，如支持向量机和K最近邻等。
2.2深度学习
DL是当前人工智能浪潮中强有力的工具之一,其本质是一种基于多层神经网络、以海量数据为输入、自动组合低层特征形成高层特征的规则学习方法。
最基本的神经网络包括3部分，分别为输入层、隐藏层和输出层回。
其中，输入层的神经元用于接收输入数据，并将数据传输到隐藏层的各神经元；
隐藏层中的神经元利用激活函数处理数据，并将处理后的数据传到输出层；
最后由输出层的神经元输出结果。
在DNN中，隐藏层的层数越多，结构越复杂。
此时，整个网络的参数也变得更多，每一层相对上一层的抽象表示也更加深入，因而DNN相较于基本的神经网络具有更强大的性能。
近年来，随着DL的蓬勃发展，DNN也被引入通信领域，用于解决调制识别等传统通信问题。
基于DL的调制识别技术，能够充分发挥DNN的性能优势，弥补原有LB和FB算法的不足。
3基于深度学习的调制识别
3.1系统架构
在通信系统中，接收信号通常可表示为如下形式：
00
y（k）=Aei（2nf°
kT+ei,•£
x（l）h（kT-IT+eTT）+n（k）
I=—∞
其中，"
（幻代表加性高斯白噪声（additivewhiteGaussiannoise,AWGN）,x（/）代表符号序列，A代表幅度因子，/o代表载波频率偏移，0代表相位抖动，T代表符号间隔，//（•）代表残留信道影响，今为定时误差。
考虑由N个接收信号采样点组成的接收向量y=［y（0）,v（l）,•••,y（N-1）］和M种调制方案组成的候选集合偶,月，…,,调制识别的任务是根据接收向量亍确定调制方案S,。
S,=/（亍）,匡［0,〃一1］
（2）
基于DL的调制识别的系统结构如图1所示。
接收到的调制信号首先经过数据预处理，转换为适当的信号表征；
信号表征再送入DNN中处理，并完成调制方案的识别。
在实际应用中，根据调制候选集和无线环境的不同，有必要采用适当的数据预处理方法，设计合理的DNN结构，以满足不同的应用需求。
图1基于DL的调制识别系统结构
3.2数据预处理
数据预处理作为基于DL的调制识别中的关键步骤，目的在于对原始数据进行变换，将其表征成恰当的形式，使之能够适于DNN处理。
如果数据预处理方式得当，DNN就能够更好地从数据中提取典型特征，达到更佳的识别性能。
根据预处理后数据表征形式的不同，数据预处理方式可以分为三大类：
特征表征、序列表征和图像表征。
特征表征是将接收信号预处理成一个或者多个特征值，例如HOC特征、高阶矩特征、频谱特征及其他统计特征等［叽参考文献［6］将接收信号转换成HOC特征，以对抗多径衰落的影响；
参考文献［10］使用四阶谱特征表征接收信号，实现了4种调相信号的识别；
参考文献［14］研究了多达28种特征表征，并讨论了不同特征值组合对调制识别性能的影响。
序列表征是将接收信号预处理成一个一维向量，例如正交同相（in-phaseandquadrature,IQ）序列U5-17］、幅度相位（amplitudeandphase,AP）序列U8-19］、快速傅里叶变换（fastFouriertrans form,FFT）序列例和幅值直方图序列刖等。
参考文献［22］最早将IQ表征用于调制识别，性能较传统方法具有较大优势；
参考文献［16］利用IQ序列表征信号，讨论了不确定噪声条件下的调制识别问题；
参考文献［18］分析了IQ、AP和FFT3种序列表征，同时指出在不同的信噪比（signal-to-noiseratio,SNR）条件下，不同的表征形式具有不同的调制识别精度。
图像表征是将接收信号预处理成一个二维矩阵，例如星座图圣23］、眼图㈣、特征点图四以及经各种变换后产生的谱图所28］等。
参考文献［2］利用接收信号的星座图表征，将调制识别问题转换成图像识别问题,并利用DNN解决;
参考文献［27］和参考文献［28］分别将接收信号转换成双谱图和循环炳谱图，也取得了较高的识别精度；
参考文献文献［29］采用等势星座图替代原始的星座图，进一步提升了调制识别的性能。
3.3深度神经网络
DNN是基于DL的调制识别的核心部分，它负责处理信号表征结果，并完成调制方案的推断和输出。
DNN一般分为三大类，即深度前馈网络、卷积神经网络（convolutionalneuralnetwork,CNN）和循环神经网络（recurrentneuralnetwork,RNN）［13］o
3.
升级会员 