基于深度学习的调制识别综述Word文件下载.docx

1、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：Adoi: 10.11959/j.issn. 1000-0801.2021114A survey of deep learning based modulation recognitionSUN Shujun1, PENG Shengliang1, YAO Yudong2, YANG Xi31.College of Informa

2、tion Science and Engineering, Huaqiao University, Xiamen 361021, China2.Department of Electrical and Computer Engineering, Stevens Institute of Technology, Hoboken NJ 07030, USA3.College of Information Science and Engineering, Jishou University, Jishou 416000, ChinaAbstract: Modulation recognition i

3、s one of the fundamental tasks for communications systems, which can be widely applied in various fields, such as cognitive radio, intelligent communications, radio surveillance, electronic warfare, etc. In recent years, deep learning （DL） based modulation recognition has attracted great attention d

4、ue to its superiority in feature extraction and recognition performance. The techniques of DL based modulation recognition were systematically summarized. Firstly, some knowledge relevant to DL based modulation recognition was introduced. Then, the system architecture, data pre-processing methods, d

5、eep neural network structures, prevalent datasets and performance metrics of DL based modulation recognition were illustrated. Finally, the future directions of DL based modulation recognition were also discussed.Key words: deep learning, modulation recognition, data pre-processing, deep neural netw

6、ork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）Foundation Items: The National Natural Science Foundation of China （No. 61861019）, The Fundamental Research Funds for the Central Universities （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

7、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（deep learning, 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（deep neural network, DNN）作为分类器，具有3方面的优势：第一， 能够充

8、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（likelihood based, LB）的算法和基于特征 （feature based, 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 Gau

9、ss-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-order cumulant, 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

10、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

11、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：00y（k） = Aei（2nfkT+ei , x（l）h（kT -IT + eTT） + n（k）I=其中，（幻代表加性高斯白噪声（additive white Gaussian noise, 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

12、 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.

13、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，

14、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-phase and quadrature, IQ） 序列U5-17、幅度相位（amplitude and phase, AP） 序列U8-19、快速傅里叶变换（fast Fourier transform, 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-

15、noise ratio, 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、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（convolutional neural network, CNN）和循环神经网络（recurrent neural network, RNN） 13o3.