0 引言

    在日趨復(fù)雜的電磁環(huán)境中，通常會接收到各種未知信號，該信號可能是己方的，也可能是敵方的，因此需要對信號的各種參數(shù)進(jìn)行分析，以加強電磁頻譜管控，調(diào)制樣式就是其中一種關(guān)鍵參數(shù)。對非協(xié)作通信中接收信號的調(diào)制樣式的識別與確定是頻譜安全防護(hù)技術(shù)的重要一環(huán)，在電磁偵察、干擾信號識別、頻譜監(jiān)測等場景中都有著廣泛的應(yīng)用場景和巨大的發(fā)展?jié)摿Γ谥械托旁氡拳h(huán)境下進(jìn)行增強調(diào)制識別率的理論及方法研究是一項很重要的課題。

    調(diào)制識別可以看作是一類模式識別問題，其原理就是通過提取樣本的特征進(jìn)行分類識別，主要包含三大模塊，即預(yù)處理、特征提取和分類識別。常見的信號特征提取方法有：瞬時特征^[1]、高階累積特征^[2]、小波變換^[3]、時頻分析^[4]等。決策樹^[5]是常用的分類器，該方法易于理解但是泛化能力較差，于是產(chǎn)生了隨機森林(Random Forest，RF)^[6]的方法，利用多棵決策樹對樣本進(jìn)行訓(xùn)練并預(yù)測的，有效地提高了泛化能力，但這兩類方法需人工確定節(jié)點，較為繁瑣。K最鄰近(K-Nearest Neighbors，K-NN)^[7]算法使用距離度量將新示例與現(xiàn)有的示例比較，以最近的類標(biāo)進(jìn)行分類。以上傳統(tǒng)的方法結(jié)構(gòu)簡單，易于理解，但是存在效率低下、惰性學(xué)習(xí)等局限性。目前更多地采用積極學(xué)習(xí)的算法，如支持向量機(Support Vector Machines，SVM)^[8]，把結(jié)構(gòu)風(fēng)險最小化原則應(yīng)用于分類領(lǐng)域中，擅于處理小樣本和二分類問題；神經(jīng)網(wǎng)絡(luò)(Neural Networks，NN)^[9]，是模擬人腦功能的一種數(shù)學(xué)模型，在多分類問題中表現(xiàn)更好。此外，相比于淺層結(jié)構(gòu)算法，深度學(xué)習(xí)通過深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，提取數(shù)據(jù)的內(nèi)在特征，在圖像識別和語音識別等方面取得了引人矚目的成績。調(diào)制識別和圖像識別及語音信號識別等方面存在很多關(guān)聯(lián)性和相似性，因此采用深度學(xué)習(xí)的方法來解決調(diào)制識別問題是一個切實可行的研究方向。

本文詳細(xì)內(nèi)容請下載：http://www.shi-ke.cn/resource/share/2000005011。

作者信息：

錢  磊1，2，吳  昊1，張  濤1，張  江1

(1.國防科技大學(xué)第六十三研究所，江蘇 南京210007；2.國防科技大學(xué) 電子科學(xué)學(xué)院，湖南 長沙410073)