文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222686
中文引用格式： 錢磊，吳昊，張濤，等. 基于數值特征與圖像特征融合的調制識別方法[J].電子技術應用，2022，48(11)：89-93.
英文引用格式： Qian Lei，Wu Hao，Zhang Tao，et al. Modulation recognition method based on fusion of numerical features and image features[J]. Application of Electronic Technique，2022，48(11)：89-93.
0 引言
在日趨復雜的電磁環境中，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進行分析，以加強電磁頻譜管控，調制樣式就是其中一種關鍵參數。對非協作通信中接收信號的調制樣式的識別與確定是頻譜安全防護技術的重要一環，在電磁偵察、干擾信號識別、頻譜監測等場景中都有著廣泛的應用場景和巨大的發展潛力，在中低信噪比環境下進行增強調制識別率的理論及方法研究是一項很重要的課題。
調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行分類識別，主要包含三大模塊，即預處理、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，于是產生了隨機森林(Random Forest，RF)[6]的方法，利用多棵決策樹對樣本進行訓練并預測的，有效地提高了泛化能力，但這兩類方法需人工確定節點，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有的示例比較，以最近的類標進行分類。以上傳統的方法結構簡單，易于理解，但是存在效率低下、惰性學習等局限性。目前更多地采用積極學習的算法，如支持向量機(Support Vector Machines，SVM)[8]，把結構風險最小化原則應用于分類領域中，擅于處理小樣本和二分類問題；神經網絡(Neural Networks，NN)[9]，是模擬人腦功能的一種數學模型，在多分類問題中表現更好。此外，相比于淺層結構算法，深度學習通過深層非線性網絡結構，提取數據的內在特征，在圖像識別和語音識別等方面取得了引人矚目的成績。調制識別和圖像識別及語音信號識別等方面存在很多關聯性和相似性，因此采用深度學習的方法來解決調制識別問題是一個切實可行的研究方向。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000005011。
作者信息：
錢 磊1，2，吳 昊1，張 濤1，張 江1
(1.國防科技大學第六十三研究所，江蘇 南京210007；2.國防科技大學 電子科學學院，湖南 長沙410073)
