陳 林 唐文波 丁學(xué)科 樊 榮

（1.同方電子科技有限公司 九江 332000）（2.中國民用航空飛行學(xué)院航空電子電氣學(xué)院 廣漢 618307）

1 引言

近年來，機場終端區(qū)面臨的電磁環(huán)境日益復(fù)雜，以VDL 航空數(shù)據(jù)鏈、PBN 導(dǎo)航、ADS-B 監(jiān)視為代表的航空設(shè)備遭受無線電信號干擾頻次日益增多，干擾信號調(diào)制類型種類多達(dá)數(shù)十種，導(dǎo)致機場終端區(qū)的干擾信號調(diào)制類型識別難度加大。針對機場終端區(qū)的信號調(diào)制類型識別方法研究已在機場無線電通信［1～2］、無人機信號檢測［3］、GNSS干擾源排查［4］以及空中交通管理［5］等領(lǐng)域受到廣泛關(guān)注。

當(dāng)前信號調(diào)制類型識別方法主要包含三類：即基于似然比準(zhǔn)則的信號調(diào)制類型識別方法、基于特征提取的信號調(diào)制類型識別方法以及基于數(shù)據(jù)驅(qū)動的信號調(diào)制類型識別方法。由于基于似然比準(zhǔn)則的信號調(diào)制識別方法在實際應(yīng)用中難以獲取信號模型中隨機變量的概率分布，計算復(fù)雜度高，且在部分場景下僅在理論上存在計算可能性，故本文不對其作詳細(xì)論述；基于特征提取的信號調(diào)制類型識別方法，首先提取原始基帶I、Q 信號的特征，再利用分類器對所提取的信號特征進(jìn)行分類，以實現(xiàn)信號調(diào)制類型識別［6～11］。具體上講，文獻(xiàn)［6］從信號調(diào)制類型識別原理、算法以及應(yīng)用角度進(jìn)行了系統(tǒng)地總結(jié)。在文獻(xiàn)［7］中，使用經(jīng)驗?zāi)Ｊ椒纸猓‥mpirical Mode Decomposition，EMD）提取原始信號特征，解決了傳統(tǒng)信號調(diào)制識別方法在處理信號時受樣本序列長度以及數(shù)據(jù)異常值影響的缺點。類似地，Siuly 等利用EMD 方法提取原始腦電信號特征，提出了一種基于EMD 技術(shù)的腦電信號診斷方法［8］。與此同時，T.Dutta 等利用變分模態(tài)分解（Variational Mode Decomposition，VMD）方法提出了一種基于非高斯脈沖噪聲和加性高斯白噪聲環(huán)境下的自動調(diào)制分類識別方法，證實了在不同噪聲環(huán)境下所提取的信號特征對信號調(diào)制類型識別的優(yōu)越性［9］。除上述EMD、VMD 進(jìn)行信號特征提取外，多尺度排列熵（Multi-scale Permutation Entropy，MPE）也被作為一種重要的信號特征提取工具［10］，當(dāng)前主流做法是首先對原始信號采用EMD、VMD 分解得到信號在不同時間尺度下的模態(tài)分量，接著采用多尺度排列熵進(jìn)行特征提取，再將其送入分類器完成信號調(diào)制類型識別，提升了低信噪比環(huán)境下信號調(diào)制類型識別性能，增強了對信號相位噪聲、頻率漂移以及諧波失真等細(xì)微特征的識別能力［11］。然而，當(dāng)機場終端區(qū)所面臨的干擾信號調(diào)制種類增多（典型值超過10 種）、信號間的特征區(qū)分度不明顯以及信噪比降低時，基于特征提取的調(diào)制識別方法的識別性能不高，已成為基于特征提取的信號調(diào)制類型識別技術(shù)工程應(yīng)用中面臨的主要瓶頸。對此，雷志坤通過提取原始I、Q 數(shù)據(jù)的高階累積量特征，利用全連接神經(jīng)網(wǎng)絡(luò)具有的非線性深度學(xué)習(xí)能力，提升了基于特征提取的信號調(diào)制識別方法性能［12］，但由于將原始數(shù)據(jù)的高階累積量特征作為網(wǎng)絡(luò)輸入，該方法仍屬于基于特征提取的信號調(diào)制識別方法。

基于深度學(xué)習(xí)端到端的調(diào)制信號識別方法已成為新的研究熱點［13～14］。S.Hu 等采用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN），針對高斯白噪聲、高斯色噪聲以及非高斯噪聲場景進(jìn)行了信號調(diào)制類型識別研究［15］。F.Meng等也提出一種基于端到端的調(diào)制類型識別神經(jīng)網(wǎng)絡(luò)，所提網(wǎng)絡(luò)對信號調(diào)制類型識別能力已超過基于特征的信號調(diào)制識別方法［16］。然而，上述調(diào)制類型識別神經(jīng)網(wǎng)絡(luò)仍存在兩個缺陷：第一，構(gòu)建的信號調(diào)制類型數(shù)據(jù)集種類有限，面對信號調(diào)制種類更多、調(diào)制類型間的區(qū)分度低的信號調(diào)制類型時，網(wǎng)絡(luò)的識別性能是否得到保證缺乏實證；第二，若實際環(huán)境發(fā)生變化，則需更新數(shù)據(jù)集，并對之前已訓(xùn)練好的網(wǎng)絡(luò)重新訓(xùn)練。鑒于此，針對上述問題，本文首先構(gòu)建多達(dá)24 種不同調(diào)制類型的數(shù)據(jù)集，超過了上述各文獻(xiàn)中所構(gòu)建的調(diào)制類型種類數(shù)量；同時，針對構(gòu)建的信號調(diào)制類型，在網(wǎng)絡(luò)卷積層數(shù)、卷積核大小、訓(xùn)練數(shù)據(jù)集大小對網(wǎng)絡(luò)信號識別性能影響基礎(chǔ)上，設(shè)計出一款端到端的信號調(diào)制識別網(wǎng)絡(luò)；此外，針對信道環(huán)境變化導(dǎo)致信號調(diào)制類型識別性能下降問題，進(jìn)一步研究了不同訓(xùn)練數(shù)據(jù)量場景下的遷移學(xué)習(xí)方式，提升了網(wǎng)絡(luò)在信道環(huán)境變化場景下的網(wǎng)絡(luò)適應(yīng)能力和識別性能。

2 數(shù)據(jù)集構(gòu)造

一方面，通過上位機Matlab 軟件仿真生成22種不同調(diào)制類型的基帶波形數(shù)據(jù)文件（最大符號速率限為1MSPS），每種調(diào)制類型信號波形I、Q 數(shù)據(jù)長度為106；通過網(wǎng)口下載到矢量信號發(fā)生器（VSG）作為基帶周期調(diào)制波形，經(jīng)過VSG上變頻調(diào)制至載波頻率為666MHz 后經(jīng)放大射頻輸出（輸出功率為0dBm）。輸出的射頻信號通過射頻線纜連接至信號采集卡，其中采集卡工作頻率范圍為70MHz～800MHz。經(jīng)信號采集卡在射頻以200MHz采樣率低通采樣并做16bit 量化后、將其下變頻至零中頻25 倍抽取輸出，最終獲得8MSPS 速率的基帶I、Q 信號。每種調(diào)制識別信號采集時長為10s。另一方面，利用智能頻譜傳感器（由同方電子科技有限公司提供）采集了廣漢機場專用的VHF 電臺基帶I、Q數(shù)據(jù)，共同構(gòu)成24種不同調(diào)制信號類型原始數(shù)據(jù)，信號調(diào)制類型分別為256-QAM、128-QAM、64-QAM、32-QAM、16-QAM、32-PSK、16-PSK、4-ASK；2-ASK、8-PAM、2-PAM、8-PSK、QPSK、OQPSK、MSK、DQPSK、D8PSK、DBPSK、AM、FM、GFSK、GMSK、VHF-1（廣漢）、VHF-2（廣漢）。數(shù)據(jù)采集原理框圖如圖1所示。

圖1 原始I、Q數(shù)據(jù)采集原理框圖

對于采集的24種原始I、Q數(shù)據(jù)，針對每種調(diào)制類型數(shù)據(jù)進(jìn)一步人工添加不同強度噪聲（SNR=-4dB～12dB）后，再對各種生成的含噪信號進(jìn)行分段，并將分段數(shù)據(jù)構(gòu)造成數(shù)據(jù)集。原始I、Q數(shù)據(jù)加噪后的信號s?(k)建模為

其中，σs，σn和SNR 分別表示原始I、Q 信號功率、噪聲功率以及信噪比值（單位：dB）；s(k)為信號采集卡得到的第k點原始I、Q數(shù)據(jù)；N為采集的原始信號數(shù)據(jù)總長度；ξ(k)為0 均值且方差為1 的隨機量。

3 深度調(diào)制識別方法

3.1 深度調(diào)制識別神經(jīng)網(wǎng)絡(luò)架構(gòu)

文中構(gòu)建的深度信號調(diào)制識別神經(jīng)網(wǎng)絡(luò)主要基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）結(jié)構(gòu)，包括預(yù)處理層、卷積層、池化層、展平層、全連接層等。網(wǎng)絡(luò)輸入端為基帶I、Q 數(shù)據(jù)，輸出端為信號調(diào)制類型分類概率，采取的網(wǎng)絡(luò)架構(gòu)及處理流程如圖2所示。

圖2 CNN網(wǎng)絡(luò)結(jié)構(gòu)與處理流程

1）預(yù)處理層

用于圖像識別的CNN 網(wǎng)絡(luò)無法直接用于處理基帶I、Q復(fù)數(shù)數(shù)據(jù)，在使用CNN網(wǎng)絡(luò)對輸入基帶復(fù)數(shù)信號序列進(jìn)行調(diào)制識別時，需對符號序列進(jìn)行預(yù)處理以匹配網(wǎng)絡(luò)卷積層，具體預(yù)處理過程如下：

其中，? 表示數(shù)據(jù)的實部，? 表示數(shù)據(jù)的虛部，r為I、Q數(shù)據(jù)序列，L為數(shù)據(jù)預(yù)處理長度。

2）卷積層

在CNN 網(wǎng)絡(luò)結(jié)構(gòu)的卷積層中，影響網(wǎng)絡(luò)性能的主要超參數(shù)有卷積核大小、步長、數(shù)量以及邊界填充方式等。數(shù)據(jù)經(jīng)過卷積層輸出包含若干特征平面，同一特征平面的神經(jīng)元共享權(quán)值，特征平面?zhèn)€數(shù)即為卷積核數(shù)。卷積核每次計算一個局部感受野后需要平移計算下一局部感受野的值，移動偏移量即為步長，卷積核提取特征方式如下：

其中，yi,j是卷積核進(jìn)行卷積運算后的結(jié)果；f(·)為激活函數(shù)；θij、xij為卷積核、卷積塊的設(shè)置參數(shù)；n為卷積塊大小。

3）池化層

卷積后得到的特征維度通常很大，通過池化處理將特征分割成多個子區(qū)域，取其最大值或平均值得到新的、維度較小的特征。若網(wǎng)絡(luò)輸入維度為W1×H1×D1，每層池化大小為F×F，且步長設(shè)置為S，則數(shù)據(jù)經(jīng)過池化后的輸出維數(shù)為

式（6）中的第一項代表交叉熵，后一項為正則化項；yi(k)和y?i(k;W,b)為輸入數(shù)據(jù)所對應(yīng)的標(biāo)簽結(jié)果以及網(wǎng)絡(luò)識別輸出；R(·)、W、b表示正則化函數(shù)、網(wǎng)絡(luò)層權(quán)值和偏置；λ、N、M表示正則化系數(shù)、每次訓(xùn)練的批次大小以及信號調(diào)制類別數(shù)。

3.2 深度調(diào)制識別神經(jīng)網(wǎng)絡(luò)設(shè)計

通過在網(wǎng)絡(luò)訓(xùn)練后的測試性能指導(dǎo)下迭代設(shè)計深度調(diào)制識別神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)訓(xùn)練過程中，使用Adam 優(yōu)化器求解，學(xué)習(xí)率取為0.0001，模糊因子設(shè)為10-8，每次更新后學(xué)習(xí)率的衰減值為0.9，每輪訓(xùn)練數(shù)據(jù)均隨機洗牌，數(shù)據(jù)集總樣本數(shù)為26 萬，選取數(shù)據(jù)集中80%作為訓(xùn)練數(shù)據(jù)，20%作為測試數(shù)據(jù)，每次調(diào)整網(wǎng)絡(luò)參數(shù)前選取的樣本數(shù)量為256。

1）網(wǎng)絡(luò)輸入數(shù)據(jù)維度選取

分別按照128、256、512 和1024 長度的分段方式構(gòu)建訓(xùn)練數(shù)據(jù)集，測試結(jié)果表明：當(dāng)輸入數(shù)據(jù)維度為1024 點數(shù)據(jù)分割方式時，網(wǎng)絡(luò)在低信噪比條件下（-4dB）識別性能達(dá)到60%，在高信噪比（＞8dB）條件下識別性能達(dá)到80%。若繼續(xù)增加數(shù)據(jù)維度，網(wǎng)絡(luò)的運算時間將會成倍增加，而網(wǎng)絡(luò)的識別精度則不會顯著提升。綜合考慮，本文按1024點I、Q 數(shù)據(jù)長度分段生成訓(xùn)練數(shù)據(jù)集。即網(wǎng)絡(luò)輸入數(shù)據(jù)維度設(shè)為2×1024×1。

2）網(wǎng)絡(luò)卷積層數(shù)選取

在給定網(wǎng)絡(luò)輸入數(shù)據(jù)維度下（2×1024×1），進(jìn)一步測試了信號調(diào)制識別網(wǎng)絡(luò)分別在不同卷積層數(shù)（2層依次增至6層）下的識別性能，結(jié)果表明：不同層卷積神經(jīng)網(wǎng)絡(luò)的性能相差不明顯，當(dāng)卷積層數(shù)為2 層時，在低信噪比條件下的識別準(zhǔn)確性達(dá)到60%，高信噪比場景下達(dá)到80%，繼續(xù)增加卷積層數(shù)，其識別精度并沒有明顯提升，相反還略微有所下降。鑒于此，在信號調(diào)制類型識別神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)設(shè)為2層，即保證網(wǎng)絡(luò)識別性能。

3）網(wǎng)絡(luò)卷積核大小選取

在給定網(wǎng)絡(luò)輸入數(shù)據(jù)維度（2×1024×1）和2層卷積層數(shù)條件下，進(jìn)一步研究了不同卷積核大?。ň矸e核大小分別取為2、3、4、5）時神經(jīng)網(wǎng)絡(luò)的識別性能。測試結(jié)果表明：卷積核長度設(shè)置為4 或5時，均能均相似且達(dá)到最佳。鑒于此，綜合網(wǎng)絡(luò)性能和網(wǎng)絡(luò)復(fù)雜度因素，卷積核長度取為4。

經(jīng)過上述步驟確定網(wǎng)絡(luò)超參數(shù)后，最終設(shè)計的信號調(diào)制識別網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)如表1所示。

表1 信號調(diào)制識別網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)

3.3 信號調(diào)制識別網(wǎng)絡(luò)遷移學(xué)習(xí)

采取表1 所示的網(wǎng)絡(luò)架構(gòu)及超參數(shù)對網(wǎng)絡(luò)訓(xùn)練，若信道環(huán)境發(fā)生變化，將導(dǎo)致信號調(diào)制識別性能嚴(yán)重惡化。而在目前的移動平臺（例如，機載、艦載、車載）的信號調(diào)制識別場景中，傳播信號由于多徑效應(yīng)而引起的信道衰落等原因，到達(dá)接收機的信道環(huán)境通常會發(fā)生變化，即實際場景下的信道為時變信道。這大大限制了所提信號調(diào)制識別網(wǎng)絡(luò)的性能。實際上，作者對測試數(shù)據(jù)人工添加瑞利衰落效應(yīng)模擬信道發(fā)生變化，采用新的模擬數(shù)據(jù)再次測試網(wǎng)絡(luò)識別性能，發(fā)現(xiàn)網(wǎng)絡(luò)識別性能從80%直降至40%，亦證實了上述所提網(wǎng)絡(luò)不能直接用于移動平臺下的信號調(diào)制識別場景。若對信道發(fā)生改變后的信號進(jìn)行調(diào)制識別時，需要使用新信道環(huán)境下的訓(xùn)練數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練以更新網(wǎng)絡(luò)參數(shù)。然而，如果完全重新訓(xùn)練網(wǎng)絡(luò)，則需大量訓(xùn)練數(shù)據(jù)，增大了網(wǎng)絡(luò)訓(xùn)練的時間成本，不能滿足實時性要求高的場景。

鑒于此，采用遷移學(xué)習(xí)思路，利用信道變化后的數(shù)據(jù)對舊信道環(huán)境下已訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行權(quán)值微調(diào)，利用微調(diào)后的神經(jīng)網(wǎng)絡(luò)進(jìn)行新信道下的信號調(diào)制類型識別，可以充分利用舊信道環(huán)境下的知識，避免了對網(wǎng)絡(luò)完全重新訓(xùn)練，僅需采用新信道環(huán)境下的少量訓(xùn)練數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行微調(diào)便能達(dá)到同樣的識別性能，同時提高了信道變化環(huán)境下的網(wǎng)絡(luò)訓(xùn)練速度和識別實時性。本文具體研究了三種遷移學(xué)習(xí)方案：方式一，網(wǎng)絡(luò)所有層參數(shù)微調(diào)；方式二，網(wǎng)絡(luò)全連接層參數(shù)不變、卷積層參數(shù)微調(diào)；方式三，網(wǎng)絡(luò)卷積層參數(shù)不變，全連接層參數(shù)微調(diào)。

4 調(diào)制識別性能分析

下面通過多個試驗與文中所提的方法進(jìn)行驗證，揭示了本文所提信號調(diào)制識別方法的性能優(yōu)勢。

4.1 所提神經(jīng)網(wǎng)絡(luò)的識別性能

為揭示所提調(diào)制識別網(wǎng)絡(luò)的識別性能和泛化能力，計算了網(wǎng)絡(luò)訓(xùn)練過程中損失值和識別性能隨著迭代次數(shù)的變化曲線，結(jié)果如圖3 所示。結(jié)果表明：網(wǎng)絡(luò)訓(xùn)練與測試損失總體上均呈現(xiàn)下降趨勢，網(wǎng)絡(luò)具有良好的學(xué)習(xí)能力。迭代次數(shù)超過30 次后，識別精度大于95%。順便指出，本文設(shè)計的信號調(diào)制識別網(wǎng)絡(luò)在不同信噪比和信號類型的數(shù)據(jù)集上的整體識別精度為80%。整體識別精度統(tǒng)計公式為

圖3 識別性能與迭代輪數(shù)曲線

其中，pi（i=1，2，…，n）為單個信噪比下的識別精度，n為選取的不同信噪比種類數(shù)。

4.2 基于遷移學(xué)習(xí)的網(wǎng)絡(luò)調(diào)制類型識別

然而，若直接采取上述網(wǎng)絡(luò)進(jìn)行信號類型識別，網(wǎng)絡(luò)的可移植性差。鑒于此，作者進(jìn)一步采取遷移學(xué)習(xí)技術(shù)提升網(wǎng)絡(luò)可移植性。文中分別利用2.1 萬（8.1%）、4.2 萬（16.5%）、6.4 萬（24.6%）、8.6 萬（33%）、26 萬（100%）的數(shù)據(jù)樣本對網(wǎng)絡(luò)調(diào)制識別進(jìn)行測試，獲得的調(diào)制識別精度分別為77.5%，79%，81.1%，84.1%，86.7%。考慮到采用26 萬個數(shù)據(jù)樣本重新訓(xùn)練網(wǎng)絡(luò)所需要的運算時間是采用8.6萬數(shù)據(jù)集對網(wǎng)絡(luò)進(jìn)行微調(diào)的運算時間的3 倍以上。因此綜合考慮，在三種遷移學(xué)習(xí)方式中，將遷移學(xué)習(xí)數(shù)據(jù)集樣本數(shù)定位8.6萬。采用三種遷移學(xué)習(xí)方案對網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)后，其網(wǎng)絡(luò)的識別性能如圖4所示。

圖4 三種遷移學(xué)習(xí)方法在不同信噪比下的識別精度（方式1：CNN_TL1；方式2：CNN_TL2；方式3：CNN_TL3）

由圖4 可知，經(jīng)過三種遷移學(xué)習(xí)的網(wǎng)絡(luò)對于新信道的數(shù)據(jù)具有較好的識別性能，尤其是對網(wǎng)絡(luò)所有層的權(quán)值偏置均進(jìn)行微調(diào)后，其識別精度與采用新數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練后的識別性能相當(dāng)。主要原因在于本文設(shè)計的信號調(diào)制識別神經(jīng)網(wǎng)絡(luò)卷積層較少，導(dǎo)致網(wǎng)絡(luò)的全連接層的參數(shù)占網(wǎng)絡(luò)總參數(shù)的60%，若僅更新卷積層參數(shù)，網(wǎng)絡(luò)的大部分參數(shù)并未得到更新，從而導(dǎo)致網(wǎng)絡(luò)在進(jìn)行微調(diào)后，對新信道下的測試數(shù)據(jù)的識別性能不佳；如果網(wǎng)絡(luò)僅對全連接層參數(shù)進(jìn)行更新，又因為網(wǎng)絡(luò)提取信號特征主要是依靠卷積層對數(shù)據(jù)進(jìn)行卷積、池化等運算，若不對卷積層進(jìn)行更新，網(wǎng)絡(luò)則無法學(xué)習(xí)到新信道下的數(shù)據(jù)所具有的特征，從而造成網(wǎng)絡(luò)識別性能不佳。因此，本文選擇基于網(wǎng)絡(luò)所有層參數(shù)微調(diào)的遷移學(xué)習(xí)方案對CNN網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)。

利用基于網(wǎng)絡(luò)所有層參數(shù)微調(diào)的遷移學(xué)習(xí)方案對原信道下訓(xùn)練完成的網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)后，網(wǎng)絡(luò)識別性能在典型信噪比下的測試結(jié)果如圖5 所示。

圖5測試結(jié)果表明：對于所研究的24種信號調(diào)制類型而言，本文的遷移學(xué)習(xí)方法不能對16QAM、8PAM、OQPSK 調(diào)制類型信號進(jìn)行有效遷移學(xué)習(xí)。而其余21 種波形存在不同程度的遷移學(xué)習(xí)效果。具體上講，在SNR=-4dB 場景下，所提方法對16QAM、256QAM、2ASK、4PAM、8PAM、DBPSK、OQPSK 信號調(diào)制類型的識別精度低于50%，對64QAM、4ASK、8PSK、AM、FM、GFSK、GMSK、MSK、QPSK 信號調(diào)制類型的正確識別性能達(dá)到90%，剩余8 種信號調(diào)制類型識別性能位于56%～86%之間；在SNR=12dB 場景下，所提方法對16PSK、16QAM、8PAM、DQPSK、OQPSK 信號調(diào)制類型的正確識別性能低于50%，而對128QAM、2ASK、32QAM、4ASK、4PAM、64QAM、8PSK、AM、FM、GFSK、GMSK、MSK、QPSK、VHF-1信號調(diào)制類型的正確識別性能超過90%，剩余5 種信號調(diào)制類型識別性能集中在66%～88%區(qū)間。

圖5 基于網(wǎng)絡(luò)所有層參數(shù)微調(diào)的遷移學(xué)習(xí)方案

5 結(jié)語

針對基于信號特征的傳統(tǒng)信號調(diào)制識別分類方法對多種調(diào)制類型（典型值大于10 種）識別性能不足的問題，設(shè)計出一種適用于信號調(diào)制識別的卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了以原始I、Q 數(shù)據(jù)流作為算法的輸入數(shù)據(jù)，避免了傳統(tǒng)方法復(fù)雜中的特征選擇、特征提取等問題。針對時變信道應(yīng)用場景，將深度神經(jīng)網(wǎng)絡(luò)結(jié)合遷移學(xué)習(xí)思想，降低了網(wǎng)絡(luò)訓(xùn)練所需的樣本數(shù)，減少了網(wǎng)絡(luò)訓(xùn)練所需的時間成本，提升了網(wǎng)絡(luò)對于時變信道環(huán)境的快速適應(yīng)能力，針對所設(shè)計的網(wǎng)絡(luò)架構(gòu)給出遷移學(xué)習(xí)推薦方案。基于實測數(shù)據(jù)證實了所提方法對信號調(diào)制類型識別的有效性。本文識別網(wǎng)絡(luò)也可直接用于GNSS干擾源智能識別等應(yīng)用中，未來主要研究工作是進(jìn)一步增加信號調(diào)制類型和提升信號調(diào)制類型的識別性能。