孫姝君，彭盛亮，姚育東，楊喜

（1. 華僑大學(xué)信息科學(xué)與工程學(xué)院，福建 廈門 361021；2. 史蒂文斯理工學(xué)院電子與計(jì)算機(jī)工程系，美國(guó) 新澤西州 霍博肯 07030；3. 吉首大學(xué)信息科學(xué)與工程學(xué)院，湖南 吉首 416000）

1 引言

調(diào)制識(shí)別是要識(shí)別出信號(hào)采用的調(diào)制方案，有著廣泛的應(yīng)用。在認(rèn)知無(wú)線電中，調(diào)制識(shí)別有助于次級(jí)用戶了解主用戶信號(hào)的細(xì)節(jié)信息，是無(wú)線環(huán)境全面感知的重要組成部分；在智能通信中，調(diào)制識(shí)別能夠減少調(diào)制信息的傳輸開銷，實(shí)現(xiàn)信號(hào)的盲解調(diào)；在無(wú)線電監(jiān)管中，調(diào)制識(shí)別有利于更精準(zhǔn)地判斷信號(hào)是否滿足無(wú)線電管理規(guī)定；在電子對(duì)抗中，識(shí)別敵方信號(hào)的調(diào)制方案是有效實(shí)施無(wú)線電干擾和欺騙的前提[1]。

近年來(lái)，隨著深度學(xué)習(xí)（deep learning, DL）的蓬勃發(fā)展，基于DL的調(diào)制識(shí)別技術(shù)越來(lái)越受到人們的關(guān)注。與傳統(tǒng)調(diào)制識(shí)別方法不同，基于DL的方法采用深度神經(jīng)網(wǎng)絡(luò)（deep neural network,DNN）作為分類器，具有3方面的優(yōu)勢(shì)：第一，能夠充分利用通信系統(tǒng)中存在的海量數(shù)據(jù)，有效改善調(diào)制識(shí)別精度；第二，能夠?qū)崿F(xiàn)自動(dòng)提取特征，克服手動(dòng)提取特征過(guò)程依賴專業(yè)背景和人工經(jīng)驗(yàn)的難題；第三，能夠持續(xù)受益于深度學(xué)習(xí)工具的快速迭代和演進(jìn)，具備在復(fù)雜場(chǎng)景下解決復(fù)雜調(diào)制識(shí)別問題的潛能[2]。

2 相關(guān)基礎(chǔ)

2.1 傳統(tǒng)算法

傳統(tǒng)的調(diào)制識(shí)別算法可分為兩大類，即基于似然（likelihood based，LB）的算法和基于特征（feature based，F(xiàn)B）的算法[1]。LB算法將調(diào)制識(shí)別問題視為一個(gè)多元假設(shè)檢驗(yàn)問題，它可以得到最優(yōu)解，但其計(jì)算復(fù)雜度相對(duì)較高。參考文獻(xiàn)[3]研究了平均似然比和廣義似然比在調(diào)制識(shí)別中的應(yīng)用。參考文獻(xiàn)[4]設(shè)計(jì)了兩種分別基于Gauss-Legendre和Gauss-Hermite求積規(guī)則的LB算法，用于識(shí)別線性調(diào)制。FB算法從信號(hào)中提取特征用以區(qū)別不同的調(diào)制方案，如果特征和分類器選擇恰當(dāng)，該算法可以在保證較低復(fù)雜度的同時(shí)獲得近似最優(yōu)的性能，因而逐漸占據(jù)了主導(dǎo)地位[5]。參考文獻(xiàn)[6]提出了一種以高階累積量（high-order cumulant，HOC）為特征的FB算法，在多徑衰落條件下具有較好的魯棒性。參考文獻(xiàn)[7]以近似熵為特征，實(shí)現(xiàn)了連續(xù)相位調(diào)制的識(shí)別。在參考文獻(xiàn)[8]中，四階譜特征和壓縮感知被用來(lái)區(qū)分星座圖類似的調(diào)制信號(hào)。此外，在分類器方面，參考文獻(xiàn)[9]的研究表明，決策樹比人工神經(jīng)網(wǎng)絡(luò)更適用于多輸入多輸出系統(tǒng)。參考文獻(xiàn)[10-12]中也提出了基于其他分類器的FB算法，如支持向量機(jī)和K最近鄰等。

2.2 深度學(xué)習(xí)

DL是當(dāng)前人工智能浪潮中強(qiáng)有力的工具之一，其本質(zhì)是一種基于多層神經(jīng)網(wǎng)絡(luò)、以海量數(shù)據(jù)為輸入、自動(dòng)組合低層特征形成高層特征的規(guī)則學(xué)習(xí)方法。最基本的神經(jīng)網(wǎng)絡(luò)包括3部分，分別為輸入層、隱藏層和輸出層[13]。其中，輸入層的神經(jīng)元用于接收輸入數(shù)據(jù)，并將數(shù)據(jù)傳輸?shù)诫[藏層的各神經(jīng)元；隱藏層中的神經(jīng)元利用激活函數(shù)處理數(shù)據(jù)，并將處理后的數(shù)據(jù)傳到輸出層；最后由輸出層的神經(jīng)元輸出結(jié)果。在DNN中，隱藏層的層數(shù)越多，結(jié)構(gòu)越復(fù)雜。此時(shí)，整個(gè)網(wǎng)絡(luò)的參數(shù)也變得更多，每一層相對(duì)上一層的抽象表示也更加深入，因而DNN相較于基本的神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)大的性能。

近年來(lái)，隨著DL的蓬勃發(fā)展，DNN也被引入通信領(lǐng)域，用于解決調(diào)制識(shí)別等傳統(tǒng)通信問題。基于DL的調(diào)制識(shí)別技術(shù)，能夠充分發(fā)揮DNN的性能優(yōu)勢(shì)，彌補(bǔ)原有LB和FB算法的不足。

3 基于深度學(xué)習(xí)的調(diào)制識(shí)別

3.1 系統(tǒng)架構(gòu)

在通信系統(tǒng)中，接收信號(hào)通?？杀硎緸槿缦滦问剑?/p>

其中，n(k)代表加性高斯白噪聲（additive white Gaussian noise，AWGN），x(l)代表符號(hào)序列，A代表幅度因子，f0代表載波頻率偏移，kθ代表相位抖動(dòng)，T代表符號(hào)間隔，h(·)代表殘留信道影響，T∈為定時(shí)誤差。

考慮由N個(gè)接收信號(hào)采樣點(diǎn)組成的接收向量和M種調(diào)制方案組成的候選集合，調(diào)制識(shí)別的任務(wù)是根據(jù)接收向量確定調(diào)制方案Si。

基于DL的調(diào)制識(shí)別的系統(tǒng)結(jié)構(gòu)如圖1所示。接收到的調(diào)制信號(hào)首先經(jīng)過(guò)數(shù)據(jù)預(yù)處理，轉(zhuǎn)換為適當(dāng)?shù)男盘?hào)表征；信號(hào)表征再送入DNN中處理，并完成調(diào)制方案的識(shí)別。在實(shí)際應(yīng)用中，根據(jù)調(diào)制候選集和無(wú)線環(huán)境的不同，有必要采用適當(dāng)?shù)臄?shù)據(jù)預(yù)處理方法，設(shè)計(jì)合理的DNN結(jié)構(gòu)，以滿足不同的應(yīng)用需求。

圖1 基于DL的調(diào)制識(shí)別系統(tǒng)結(jié)構(gòu)

3.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理作為基于DL的調(diào)制識(shí)別中的關(guān)鍵步驟，目的在于對(duì)原始數(shù)據(jù)進(jìn)行變換，將其表征成恰當(dāng)?shù)男问?，使之能夠適于DNN處理。如果數(shù)據(jù)預(yù)處理方式得當(dāng)，DNN就能夠更好地從數(shù)據(jù)中提取典型特征，達(dá)到更佳的識(shí)別性能。根據(jù)預(yù)處理后數(shù)據(jù)表征形式的不同，數(shù)據(jù)預(yù)處理方式可以分為三大類：特征表征、序列表征和圖像表征。

特征表征是將接收信號(hào)預(yù)處理成一個(gè)或者多個(gè)特征值，例如HOC特征、高階矩特征、頻譜特征及其他統(tǒng)計(jì)特征等[1]。參考文獻(xiàn)[6]將接收信號(hào)轉(zhuǎn)換成HOC特征，以對(duì)抗多徑衰落的影響；參考文獻(xiàn)[10]使用四階譜特征表征接收信號(hào)，實(shí)現(xiàn)了4種調(diào)相信號(hào)的識(shí)別；參考文獻(xiàn)[14]研究了多達(dá)28種特征表征，并討論了不同特征值組合對(duì)調(diào)制識(shí)別性能的影響。

序列表征是將接收信號(hào)預(yù)處理成一個(gè)一維向量，例如正交同相（in-phase and quadrature，IQ）序列[15-17]、幅度相位（amplitude and phase，AP）序列[18-19]、快速傅里葉變換（fast Fourier transform，F(xiàn)FT）序列[20]和幅值直方圖序列[21]等。參考文獻(xiàn)[22]最早將IQ表征用于調(diào)制識(shí)別，性能較傳統(tǒng)方法具有較大優(yōu)勢(shì)；參考文獻(xiàn)[16]利用IQ序列表征信號(hào)，討論了不確定噪聲條件下的調(diào)制識(shí)別問題；參考文獻(xiàn)[18]分析了IQ、AP和FFT 3種序列表征，同時(shí)指出在不同的信噪比（signal-to-noise ratio，SNR）條件下，不同的表征形式具有不同的調(diào)制識(shí)別精度。

圖像表征是將接收信號(hào)預(yù)處理成一個(gè)二維矩陣，例如星座圖[2,5,23]、眼圖[24]、特征點(diǎn)圖[25]以及經(jīng)各種變換后產(chǎn)生的譜圖[26-28]等。參考文獻(xiàn)[2]利用接收信號(hào)的星座圖表征，將調(diào)制識(shí)別問題轉(zhuǎn)換成圖像識(shí)別問題，并利用DNN解決；參考文獻(xiàn)[27]和參考文獻(xiàn)[28]分別將接收信號(hào)轉(zhuǎn)換成雙譜圖和循環(huán)熵譜圖，也取得了較高的識(shí)別精度；參考文獻(xiàn)文獻(xiàn)[29]采用等勢(shì)星座圖替代原始的星座圖，進(jìn)一步提升了調(diào)制識(shí)別的性能。

3.3 深度神經(jīng)網(wǎng)絡(luò)

DNN是基于DL的調(diào)制識(shí)別的核心部分，它負(fù)責(zé)處理信號(hào)表征結(jié)果，并完成調(diào)制方案的推斷和輸出。DNN一般分為三大類，即深度前饋網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）[13]。

3.3.1 深度前饋網(wǎng)絡(luò)

深度前饋網(wǎng)絡(luò)，也叫前饋神經(jīng)網(wǎng)絡(luò)或多層感知機(jī)。深度前饋網(wǎng)絡(luò)的特點(diǎn)是整個(gè)網(wǎng)絡(luò)中無(wú)反饋，信號(hào)從輸入層到輸出層單向傳播。其每層神經(jīng)元與下一層神經(jīng)元之間完全互連，各神經(jīng)元之間不存在同層連接和跨層連接。深度置信網(wǎng)絡(luò)（deep belief network，DBN）是深度前饋網(wǎng)絡(luò)的典型代表之一，由多層受限玻爾茲曼機(jī)（restricted Boltzmann machine，RBM）組成[30]。其中每個(gè)RBM有兩層，即上層隱藏層和下層可見層。

最近幾年，國(guó)內(nèi)外的研究者已經(jīng)提出了不少基于DBN的調(diào)制識(shí)別算法。參考文獻(xiàn)[31]設(shè)計(jì)了一種包括3個(gè)常規(guī)RBM和1個(gè)高斯－伯努利RBM的DBN，用于處理接收信號(hào)的譜圖表征，在SNR大于或等于2 dB時(shí)，對(duì)5種調(diào)制方案的識(shí)別精度達(dá)到了90%以上。參考文獻(xiàn)[32]提出了一種基于DBN和星座圖投影的調(diào)制識(shí)別算法，利用DBN學(xué)習(xí)星座圖投影的潛在特征，其識(shí)別精度接近LB算法，但復(fù)雜度更低。

3.3.2 卷積神經(jīng)網(wǎng)絡(luò)

CNN通常指包含卷積運(yùn)算的神經(jīng)網(wǎng)絡(luò)。在CNN中，相鄰層局部連通，多層之間利用空間局部相關(guān)性實(shí)現(xiàn)權(quán)重共享，因此同一個(gè)參數(shù)可以被不同的神經(jīng)元多次使用。此外，隱藏層內(nèi)的卷積核使得CNN的輸入層與輸出層之間具有稀疏連通性，從而大大提高了計(jì)算效率，降低了網(wǎng)絡(luò)存儲(chǔ)需求[33]。代表性的CNN結(jié)構(gòu)有AlexNet、VGG-Net、GoogLeNet、ResNet等。

AlexNet包含5個(gè)卷積層和3個(gè)全連接層，其中卷積層之后還連接了最大池化層，一共有6 000萬(wàn)個(gè)參數(shù)和65萬(wàn)個(gè)神經(jīng)元。參考文獻(xiàn)[2]提出了一種基于AlexNet和星座圖表征的調(diào)制識(shí)別算法，利用AlexNet學(xué)習(xí)星座圖的特征，完成了8種調(diào)制方案的識(shí)別。參考文獻(xiàn)[28]提出了一種基于AlexNet和譜圖的調(diào)制識(shí)別算法，將譜圖送入AlexNet進(jìn)行訓(xùn)練，并用訓(xùn)練好的AlexNet模型推斷接收信號(hào)的調(diào)制方案。為了解決數(shù)據(jù)不足導(dǎo)致的調(diào)制識(shí)別性能惡化的問題，參考文獻(xiàn)[34]在AlexNet的基礎(chǔ)上，引入生成對(duì)抗網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行擴(kuò)充，使得整體識(shí)別精度提高了0.1%～6%。為了便于在邊緣設(shè)備和實(shí)時(shí)場(chǎng)景中部署基于DL的調(diào)制識(shí)別技術(shù)，參考文獻(xiàn)[29]提出采用網(wǎng)絡(luò)剪枝技術(shù)對(duì)AlexNet進(jìn)行裁剪。與原始的AlexNet相比，剪枝后網(wǎng)絡(luò)僅使用了1.5%～5%的參數(shù)，僅耗費(fèi)了33%～35%的識(shí)別時(shí)間。

VGG-Net由牛津大學(xué)計(jì)算機(jī)視覺組和Google DeepMind公司聯(lián)合提出，通過(guò)反復(fù)堆疊大小為3×3的小型卷積核和2×2的最大池化層，構(gòu)筑了一種16～19層深的CNN結(jié)構(gòu)，具有更強(qiáng)的泛化能力和較少的迭代次數(shù)。參考文獻(xiàn)[15]提出使用VGG-Net對(duì)接收信號(hào)的IQ序列進(jìn)行學(xué)習(xí)和識(shí)別，在AWGN信道下24種調(diào)制方案的平均識(shí)別精度約為33.5%，其中11種調(diào)制方案的平均識(shí)別精度約為54%。

自2012年AlexNet取得歷史性突破直到GoogLeNet橫空出世以前，主流的CNN結(jié)構(gòu)都是朝著更深、更寬的方向發(fā)展，但增大網(wǎng)絡(luò)也會(huì)使得網(wǎng)絡(luò)計(jì)算復(fù)雜度急劇增加。GoogLeNet由若干Inception模塊堆疊而成，采用全局平均池化層代替了最后的全連接層。這種結(jié)構(gòu)在增加CNN的深度和寬度的同時(shí)，保證了網(wǎng)絡(luò)計(jì)算量基本恒定。參考文獻(xiàn)[2]研究了基于GoogLeNet的調(diào)制識(shí)別，對(duì)8種調(diào)制方案的平均識(shí)別精度約為89%。

傳統(tǒng)的CNN在信息傳遞時(shí)或多或少地存在信息丟失和損耗的問題，同時(shí)還可能存在梯度消失或梯度爆炸的風(fēng)險(xiǎn)，導(dǎo)致網(wǎng)絡(luò)無(wú)法訓(xùn)練。ResNet在一定程度上解決了這個(gè)問題。它通過(guò)在網(wǎng)絡(luò)中增加直連通道，將輸入信息同時(shí)繞道傳送給輸出，既保護(hù)了信息的完整性，又降低了網(wǎng)絡(luò)訓(xùn)練的難度，使得構(gòu)建超深層網(wǎng)絡(luò)成為現(xiàn)實(shí)。參考文獻(xiàn)[27]就提出了一種基于ResNet和譜圖的調(diào)制識(shí)別算法，用于應(yīng)對(duì)非高斯噪聲影響。該算法在不同脈沖噪聲條件下均能保持較好的識(shí)別性能。參考文獻(xiàn)[17]在ResNet的基礎(chǔ)上，引入了3種融合方法用于解決實(shí)際接收信號(hào)長(zhǎng)度不固定的問題。

3.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)

RNN是一種擅于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。在RNN中，網(wǎng)絡(luò)會(huì)存儲(chǔ)之前的信息并用于計(jì)算當(dāng)前的輸出，即隱藏層的輸入不僅包括上一層的輸出，還包括上一時(shí)刻自身的輸出。當(dāng)RNN的相關(guān)輸入與期望輸出在時(shí)間軸上間隔很長(zhǎng)時(shí)，網(wǎng)絡(luò)訓(xùn)練容易產(chǎn)生梯度消失或者梯度爆炸，使得RNN的長(zhǎng)時(shí)記憶失效。為了解決這個(gè)問題，長(zhǎng)短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)應(yīng)運(yùn)而生。LSTM網(wǎng)絡(luò)將數(shù)據(jù)維護(hù)在獨(dú)特的cell結(jié)構(gòu)中，通過(guò)輸入門、遺忘門和輸出門這3個(gè)門結(jié)構(gòu)實(shí)現(xiàn)信息的添加和刪除，以克服傳統(tǒng)RNN存在的長(zhǎng)期依賴問題[35]。

參考文獻(xiàn)[16]設(shè)計(jì)了一種由3個(gè)LSTM層堆疊的RNN，用于對(duì)抗調(diào)制識(shí)別中的瑞利衰落和不確定噪聲影響，并增強(qiáng)頻率偏移場(chǎng)景下的魯棒性。參考文獻(xiàn)[36]提出了一種基于LSTM網(wǎng)絡(luò)的調(diào)制識(shí)別算法，用來(lái)學(xué)習(xí)接收信號(hào)的IQ序列和HOC表征，相較于CNN，它具有更好的識(shí)別性能。參考文獻(xiàn)[18]利用LSTM網(wǎng)絡(luò)處理接收信號(hào)的AP序列和FFT序列表征，在衰落信道下11種調(diào)制方案的平均識(shí)別精度接近90%。

3.4 常用數(shù)據(jù)集

為便于評(píng)估和對(duì)比不同調(diào)制識(shí)別算法的性能，研究者們創(chuàng)建了一些公開數(shù)據(jù)集，其中最為流行的是RadioML數(shù)據(jù)集[15,37]，包含RadioML2016.04c、RadioML2016.10a、RadioML 2016.10b和RadioML2018.01a等多個(gè)版本。

RadioML2016.04c是一個(gè)利用GNU Radio生成的數(shù)據(jù)集，共涉及11種常用信號(hào)調(diào)制方案，包含8種數(shù)字調(diào)制和3種模擬調(diào)制，分別是二進(jìn)制相移鍵控（binary phase shift keying，BPSK）、正交相移鍵控（quadrature phase shift keying,QPSK）、8PSK、十六進(jìn)制正交幅度調(diào)制（16quadrature amplitude modulation，16QAM）、64QAM、二進(jìn)制頻移鍵控（binary frequency shift keying，BFSK）、連續(xù)相位頻移鍵控（continuous phase frequency shift keying , CPFSK）、四進(jìn)制脈沖幅度調(diào)制（pulse amplitude modulation 4，PAM4）、寬帶頻率調(diào)制（wide band frequency modulation，WBFM）、單邊帶調(diào)幅（single-sideband amplitude modulation，AM-SSB）、雙邊帶調(diào)幅（double-sideband amplitude modulation，AM-DSB）。其采樣速率為每符號(hào)8個(gè)采樣點(diǎn)，包括220 000個(gè)調(diào)制信號(hào)樣本，信道類型為多徑衰落信道。此外，它還是一個(gè)具有中等時(shí)鐘漂移、輕度衰落的可變SNR數(shù)據(jù)集，可用于不同信號(hào)和噪聲場(chǎng)景下的調(diào)制識(shí)別性能測(cè)試。

RadioML2016.10a是RadioML2016.04c的一個(gè)更干凈規(guī)范的版本，同樣包含了上述11種調(diào)制方案，信噪比變化范圍為-20～18 dB。該數(shù)據(jù)集考慮了AWGN和多徑衰落影響，并引入了采樣率偏移和中心頻率偏移等惡劣條件，以與實(shí)際無(wú)線通信環(huán)境更為相似。

RadioML2016.10b是RadioML2016.10a的擴(kuò)展版本，一共包含1 200 000個(gè)信號(hào)樣本，但只涉及10種調(diào)制方案，分別為BPSK、QPSK、8PSK、16QAM、64QAM、BFSK、CPFSK、PAM4、WB-FM和 AM-DSB。

RadioML2018.01a對(duì)RadioML2016.10a中的調(diào)制類型進(jìn)行了增廣，共涉及24種調(diào)制方案，包括通斷鍵控（on-off keying，OOK）、四進(jìn)制幅移鍵控（4 amplitude shift keying，4ASK）、8ASK、BPSK、QPSK、偏移QPSK 、8PSK、16PSK、32PSK、十六進(jìn)制幅度相移鍵控（16 amplitude and phase shift keying，16APSK）、32APSK、64APSK、128APSK、16QAM、32QAM、64QAM、128QAM、256QAM、單邊帶載波調(diào)幅（single-sideband amplitude modulation with carrier，AM-SSB-WC）、單邊帶抑制載波調(diào)幅（single-sideband amplitude modulation with suppressed-carrier，AM-SSB-SC）、AM-DSB-WC、AM-DSB-SC、調(diào)頻（frequency modulation，F(xiàn)M）、高斯最小頻移鍵控（Gaussian filtered minimum shift keying，GMSK）。數(shù)據(jù)以浮點(diǎn)復(fù)數(shù)的形式存儲(chǔ)，有200萬(wàn)個(gè)信號(hào)樣本，每個(gè)樣本的長(zhǎng)度為1 024個(gè)采樣值。

3.5 評(píng)價(jià)指標(biāo)

基于DL的調(diào)制識(shí)別性能主要從識(shí)別精度和模型復(fù)雜度兩個(gè)方面評(píng)價(jià)。

3.5.1 識(shí)別精度

識(shí)別精度的第一個(gè)衡量指標(biāo)為混淆矩陣（confusion matrix）?；煜仃囈卜Q誤差矩陣，能夠直觀反映識(shí)別結(jié)果的分布狀況，通常為M×M的方陣，其第p行、第q列的值M(p,q)表示有M(p,q)個(gè)調(diào)制方案為Sp的信號(hào)樣本被識(shí)別為調(diào)制方案Sp。假設(shè)候選集中有2種調(diào)制方案，即M=2，那么，其混淆矩陣如圖1所示。

圖1 混淆矩陣

其中，TP（truepositive，TP）和TN（true negative，TN）表示預(yù)測(cè)結(jié)果正確，F(xiàn)P（false positive，F(xiàn)P）和FN（false negative，F(xiàn)N）表示預(yù)測(cè)結(jié)果錯(cuò)誤。

識(shí)別精度的另一個(gè)衡量指標(biāo)為識(shí)別準(zhǔn)確率（accuracy，Acc），表示識(shí)別正確的信號(hào)樣本數(shù)量在所有信號(hào)樣本中所占的百分比。以M=2為例，Acc可具體計(jì)算如下：

3.5.2 模型復(fù)雜度

DNN的模型復(fù)雜度主要包括時(shí)間復(fù)雜度和空間復(fù)雜度。時(shí)間復(fù)雜度可以通過(guò)訓(xùn)練時(shí)間或識(shí)別時(shí)間衡量；空間復(fù)雜度取決于模型的參數(shù)數(shù)量和模型所需的存儲(chǔ)空間大小。

表1 基于DL的調(diào)制識(shí)別算法對(duì)比

為了進(jìn)一步展示基于DL的調(diào)制識(shí)別算法的性能，表1列舉了本文所提及的部分算法識(shí)別精度和模型復(fù)雜度，并給出了它們的數(shù)據(jù)預(yù)處理方式和DNN類型。從表1可以看出，大部分算法均具有較好的識(shí)別性能。其中，候選調(diào)制方案越簡(jiǎn)單，SNR越高，識(shí)別性能越好。

4 未來(lái)研究方向

雖然基于DL的調(diào)制識(shí)別研究已經(jīng)取得了一系列的成果，但仍有進(jìn)一步研究的空間。

首先，從數(shù)據(jù)預(yù)處理的角度看，在同一種信號(hào)表征形式下，如果候選調(diào)制方案不同，或者無(wú)線環(huán)境不同，算法的識(shí)別精度會(huì)有明顯差異，因此有必要研究信號(hào)表征與調(diào)制方案及信道條件之間的關(guān)聯(lián)性，以便根據(jù)實(shí)際場(chǎng)景選擇恰當(dāng)?shù)臄?shù)據(jù)預(yù)處理方式。同時(shí)，綜合利用信號(hào)的特征表征、序列表征和圖像表征，已被證實(shí)有利于提高調(diào)制識(shí)別精度，但如何融合這些表征形式還沒有得到深入的研究。

其次，從DNN的角度看，不同的DNN結(jié)構(gòu)擅長(zhǎng)處理不同形式的數(shù)據(jù)，因此未來(lái)需要進(jìn)一步根據(jù)數(shù)據(jù)預(yù)處理結(jié)果，設(shè)計(jì)匹配的網(wǎng)絡(luò)結(jié)構(gòu)，以充分學(xué)習(xí)信號(hào)的典型特征，實(shí)現(xiàn)高精度的調(diào)制識(shí)別。

最后，從模型復(fù)雜度的角度看，基于DL的調(diào)制識(shí)別的精度雖然在不斷提升，但其模型復(fù)雜度也在不斷增加，導(dǎo)致其難以部署到資源有限的移動(dòng)平臺(tái)和邊緣節(jié)點(diǎn)上。因此，如何在保證識(shí)別精度不明顯下降的同時(shí)減少網(wǎng)絡(luò)參數(shù)、改善模型效率，值得未來(lái)繼續(xù)研究。

5 結(jié)束語(yǔ)

本文首先回顧了傳統(tǒng)的調(diào)制識(shí)別方法及DL的相關(guān)基礎(chǔ)；然后重點(diǎn)討論了基于DL的調(diào)制識(shí)別技術(shù)，給出了系統(tǒng)架構(gòu)，闡述了特征表征、序列表征和圖像表征3種數(shù)據(jù)預(yù)處理方式，著重分析了3種常用的DNN，包括深度前饋網(wǎng)絡(luò)、CNN和RNN，介紹了RadioML數(shù)據(jù)集，列舉了識(shí)別精度和模型復(fù)雜度兩方面的性能指標(biāo)，并對(duì)部分算法進(jìn)行了總結(jié)；接著從數(shù)據(jù)預(yù)處理、DNN和模型復(fù)雜度3個(gè)角度展望了下一步的研究工作。未來(lái)隨著DL的不斷演進(jìn)，基于DL的調(diào)制識(shí)別技術(shù)也將不斷完善，取得更大的發(fā)展。