非合作场景下基于深度学习的通信信号调制识别技术研究.pdf

摘要

通信信号的调制识别通过提取信号不同变换域的特征，判断接收信号的调制

方式，从而为后续信号处理提供先验信息，有效提升通信系统的可靠性和有效性，

在军用场景和民用场景均有重要的应用价值。然而，在非合作场景下，接收信号

的调制方式呈现数量未知、方式未知的特点，使得调制识别问题变为一个开集问

题，显著提高了调制识别的难度，降低了调制识别的准确率。针对非合作场景下

的开集调制识别问题，本文构建了基于残差网络的多域特征信息融合识别框架，

有效提高了调制识别准确率。具体的研究工作与创新点如下：

针对合作场景下的闭集识别问题，提出了一种基于多域特征融合残差网络

（MultipleDomainFusionResidualNetwork，MDFRN）的自动调制识别方法。通

过构建多域融合的网络框架，提取接收信号的瀑布图和频域序列用于网络的输入，

利用多域网络提取多域特征，采用分类概率加权融合机制融合提取到的多域特征，

从而实现对于调制信号的有效分类。实验结果证明，相比于依赖单一域特征的调

制识别方法，本文方法的调制识别率显著提升。此外，针对信号传输环境发生变

化而导致模型识别性能下降的问题，提出了一种基于迁移学习的调制识别算法，

结合源域知识，辅助目标域特征提取，实现了源域知识到新域的有效迁移，有效

提升传输信道参数变化场景下的调制识别率。

最后，针对非合作场景下的开集识别问题，提出了基于多包络支持向量表达

（SupportVectorDataDescription，SVDD）和深度学习网络的开集识别算法。该

算法通过在未知域中求解多种已知信号的SVDD超球体，在非合作场景下实现已

知信号的开集识别；在开集识别的基础上，引入第三章的MDFRN模型实现闭集

识别，即对SVDD超球体内已知信号的调制方式进行识别。实验证明，本文方法

结合开集识别和闭集识别的优势，相比传统开集识别方法，能显著提升调制识别

率。该算法为非合作场景下的信号识别提供了新的解决方案，在军用与民用场景

下均具有重要应用价值。

关键词：深度学习，残差网络，调制识别，开集识别

ABSTRACT

Modulationrecognitionofcommunicationsignalsisachievedbyextractingfeatures

fromdifferenttransformeddomainsofthesignaltodeterminethemodulationschemeof

thereceivedsignal,therebyprovidingpriorinformationforsubsequentsignalprocessing,

effectivelyenhancingthereliabilityandefficiencyofcommunicationsystems.Thishas

significantapplicationvalueinbothmilitaryandcivilianscenarios.However,innon-

cooperativescenarios,themodulationschemeofthereceivedsignalexhibits

characteristicsofunknownquantityandunknownmethod,makingmodulation

recognitionaproblemofanopenset,significantlyincreasingthedifficultyofmodulation

recognitionandreducingitsaccuracy.Inresponsetotheopen-setmodulationrecognition

probleminnon-cooperativescenarios,thisthesisconstructsamulti-domainfeaturefusion

recognitionframeworkbasedonresidualnetworks,effectiv