張 航，吳泓霖，余 勤，黃承釗，歐陽(yáng)厚德，雒瑞森

(四川大學(xué) 電氣工程學(xué)院，四川 成都 610065)

0 引 言

自動(dòng)調(diào)制識(shí)別技術(shù)是通信過(guò)程中進(jìn)行準(zhǔn)確信息提取的基石。在非合作通信中，由于復(fù)雜電磁環(huán)境的影響和無(wú)線電信號(hào)調(diào)制方式的未知，要想準(zhǔn)確地識(shí)別無(wú)線電信號(hào)的調(diào)制方式存在巨大的挑戰(zhàn)。當(dāng)前，調(diào)制識(shí)別算法主要分為兩大類：基于似然比的方法[1,2]和基于特征的方法[3,4]。這兩類傳統(tǒng)的方法需要較多的先驗(yàn)知識(shí)，嚴(yán)重依賴人為設(shè)定的閾值，以及受人工特征選取的影響，在未知電磁環(huán)境下缺乏魯棒性，應(yīng)用范圍存在一定的局限性。

如今，隨著深度學(xué)習(xí)展現(xiàn)出的巨大潛力，大量的研究者開(kāi)始著手研究基于深度學(xué)習(xí)的調(diào)制識(shí)別算法。這類算法可通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行自動(dòng)特征提取，避免了手工特征提取的繁瑣，且魯棒性較高。為了便于研究的規(guī)范以及方便對(duì)照各種算法的優(yōu)劣，文獻(xiàn)[5]公布了一個(gè)無(wú)線電信號(hào)標(biāo)準(zhǔn)數(shù)據(jù)集RML2016.10a。文獻(xiàn)[6]設(shè)計(jì)了一種較為簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行調(diào)制識(shí)別，表現(xiàn)了神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)算法的優(yōu)越性。隨后，文獻(xiàn)[7]設(shè)計(jì)了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的模型，實(shí)現(xiàn)了更高準(zhǔn)確率。而考慮到調(diào)制信號(hào)內(nèi)在的時(shí)序特性，文獻(xiàn)[8]利用改良后的循環(huán)神經(jīng)網(wǎng)絡(luò)—GRU(gated recurrent unit)，也取得了不錯(cuò)的調(diào)制識(shí)別效果。文獻(xiàn)[9]將調(diào)制信號(hào)的瞬時(shí)特征輸入到長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)中進(jìn)行處理，最終可實(shí)現(xiàn)0 dB以上，接近90%的準(zhǔn)確率。而在復(fù)雜電磁環(huán)境下，目前這些基于神經(jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別算法，僅僅利用I/Q信號(hào)或者單一瞬時(shí)特征，一定程度上限制了模型的性能。因此，為了豐富各種調(diào)制信號(hào)的特征表達(dá)形式和提高算法魯棒性，本文提出了一種基于深度學(xué)習(xí)的多特征信息調(diào)制識(shí)別算法，實(shí)驗(yàn)結(jié)果表明，所提方法可以得到更高更穩(wěn)定的調(diào)制識(shí)別準(zhǔn)確率，可行性較高。

1 基于多特征信息的調(diào)制識(shí)別算法

為了克服通信過(guò)程中復(fù)雜電磁環(huán)境的影響，更加有效地提取調(diào)制信號(hào)的高階特征，本文提出了一種基于多特征信息的調(diào)制識(shí)別算法，將I/Q調(diào)制信號(hào)與瞬時(shí)特征信息相結(jié)合，豐富了調(diào)制信號(hào)的有效特征信息，并設(shè)計(jì)了一種高效的神經(jīng)網(wǎng)絡(luò)模型，以自動(dòng)提取多種調(diào)制信號(hào)的隱藏特征，可實(shí)現(xiàn)對(duì)多種調(diào)制信號(hào)的高精度識(shí)別。

1.1 調(diào)制信號(hào)模型

由于在現(xiàn)實(shí)生活中，大多數(shù)有效信息都屬于低頻信息，無(wú)法直接作為傳輸信號(hào)，為了更有效地遠(yuǎn)距離傳輸，需要采用調(diào)制技術(shù)對(duì)基帶信號(hào)進(jìn)行頻譜搬移，保證其穩(wěn)定高效傳輸。對(duì)于接收機(jī)所接收到的調(diào)制信號(hào)模型如下

y(t)=s(t)*h(t)+n(t)

(1)

其中，y(t) 表示實(shí)際接收到的I/Q調(diào)制信號(hào)，s(t) 表示調(diào)制后的信號(hào)，h(t) 代表信道脈沖響應(yīng)，n(t) 代表信道中的加性高斯白噪聲。

1.2 基于深度學(xué)習(xí)網(wǎng)絡(luò)的調(diào)制識(shí)別算法框架

1.2.1 多特征信息結(jié)合

調(diào)制信號(hào)本身蘊(yùn)含豐富的特征信息，如何挖掘并提取其有效信息是非常關(guān)鍵的步驟。而傳統(tǒng)的專家特征提取方法是對(duì)原始信號(hào)進(jìn)行一系列的數(shù)學(xué)運(yùn)算，最終得到對(duì)應(yīng)的特征值，再對(duì)特征值進(jìn)行分析，這些特征差異性較明顯，可看作對(duì)該信號(hào)的高度凝練，但在復(fù)雜的電磁環(huán)境下以及各種信道干擾的影響下，容易出現(xiàn)與理想條件計(jì)算結(jié)果存在較大差異的情況，導(dǎo)致調(diào)制類型識(shí)別困難。而調(diào)制信號(hào)的瞬時(shí)幅度和相位值，計(jì)算簡(jiǎn)單且含有豐富信息，因此，為了更加充分地挖掘I/Q調(diào)制信號(hào)的特征，以及避免經(jīng)過(guò)多次復(fù)雜計(jì)算而造成的有效信息丟失，本文提出將調(diào)制信號(hào)的瞬時(shí)幅度和相位值與原始I/Q信號(hào)相結(jié)合，再送入神經(jīng)網(wǎng)絡(luò)進(jìn)行自動(dòng)特征提取以提高各種調(diào)制方式的識(shí)別率。本文提出的調(diào)制識(shí)別算法處理步驟如圖1所示。首先將I/Q調(diào)制信號(hào)進(jìn)行瞬時(shí)特征提取，包括瞬時(shí)幅度和瞬時(shí)相位值。由于I/Q調(diào)制信號(hào)分為I、Q兩路正交信號(hào)，令I(lǐng)通道信號(hào)為x(t)，Q通道信號(hào)為y(t)，則瞬時(shí)幅度A(t)和瞬時(shí)相位P(t)可由以下公式所得

(2)

(3)

然后將得到的瞬時(shí)幅度和相位值進(jìn)行歸一化處理，再將原始I/Q信號(hào)和瞬時(shí)特征值進(jìn)行拼接融合。其中原始I/Q信號(hào)維度為2*N, 2代表I路和Q路，N代表采樣點(diǎn)數(shù)，融合瞬時(shí)幅度和相位信息后的數(shù)據(jù)維度變?yōu)?*N。再將其輸入到設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)模型，以提取不同類型調(diào)制信號(hào)潛在的特征信息，最后得到該信號(hào)所屬每一類的概率分布，概率值最大的那一類則為最終調(diào)制類型識(shí)別結(jié)果。

1.2.2 基于深度學(xué)習(xí)的調(diào)制識(shí)別模型

一直以來(lái)，許多相關(guān)研究者都致力于探究設(shè)計(jì)一種高效的神經(jīng)網(wǎng)絡(luò)模型，對(duì)無(wú)線電信號(hào)進(jìn)行特征提取并完成識(shí)別任務(wù)。出色的網(wǎng)絡(luò)模型在調(diào)制識(shí)別任務(wù)中扮演著重要的角色。本文提出的模型包括兩部分，通過(guò)將Attention-SCNN和引入注意力機(jī)制的雙向LSTM(BiLSTM)相級(jí)聯(lián),以期望模型從多方位、多維度提取調(diào)制信號(hào)內(nèi)部的時(shí)空特征信息。

Attention-SCNN：經(jīng)過(guò)多特征信息的融合之后，原始信號(hào)數(shù)據(jù)從I/Q雙通道數(shù)據(jù)擴(kuò)展到了I/Q信號(hào)和瞬時(shí)特征結(jié)合的多維信息4*N，使得調(diào)制信號(hào)特征信息更加豐富，便于神經(jīng)網(wǎng)絡(luò)模型提取更多有用的特征，實(shí)現(xiàn)復(fù)雜電磁環(huán)境下對(duì)多種調(diào)制信號(hào)的高精度識(shí)別。融合后的數(shù)據(jù)首先輸入到本文所設(shè)計(jì)的Attention-SCNN結(jié)構(gòu)，如圖2所示，它主要由若干個(gè)深度可分離卷積塊(SepaConvBlock)和一個(gè)逐點(diǎn)卷積層構(gòu)成，其中SepaConvBlock內(nèi)部結(jié)構(gòu)如圖2(b)所示。為了減少模型的參數(shù)量，提高網(wǎng)絡(luò)特征提取的效率，在SepaConvBlock中，我們以深度可分離卷積層[10]為基礎(chǔ)層，相比于普通卷積，其卷積過(guò)程如圖3所示，主要分為深度卷積和逐點(diǎn)卷積兩步，其在輕量化網(wǎng)絡(luò)結(jié)構(gòu)中被廣泛使用[11,12]。

在SepaConvBlock結(jié)構(gòu)中，首先利用1*1卷積層實(shí)現(xiàn)跨通道的交互與信息整合，并控制通道數(shù)量，然后再通過(guò)批歸一化[13]，緩解內(nèi)部數(shù)據(jù)分布偏移的影響并加速網(wǎng)絡(luò)訓(xùn)練。接下來(lái)將批歸一化的結(jié)果輸入到兩個(gè)深度可分離卷積層中，其中卷積核尺寸為2*2，輸出通道數(shù)為32。考慮到特征映射圖的不同通道的影響不一致，為了進(jìn)一步提升有用信息的利用率和網(wǎng)絡(luò)性能，還引入了通道注意力機(jī)制[14]。其主要通過(guò)對(duì)通道間的依賴關(guān)系進(jìn)行建模，以自適應(yīng)調(diào)整每個(gè)通道之間的特征響應(yīng)值。這種注意力機(jī)制的實(shí)現(xiàn)如圖4所示，主要包括壓縮(Squeeze)和激勵(lì)(Excitation)兩部分，壓縮部分是利用全局平均池化技術(shù)(GAP)，將特征映射U壓縮到通道描述符z∈Rc,z的第c個(gè)元素zc可以通過(guò)以下公式計(jì)算

(4)

其中， Fsq(uc) 代表對(duì)第c個(gè)通道的特征映射uc進(jìn)行壓縮操作，H代表通道的高度，W代表通道的寬度。

時(shí)序特征提?。河捎谡{(diào)制信號(hào)本身屬于時(shí)序信號(hào)，而循環(huán)神經(jīng)網(wǎng)絡(luò)在時(shí)序數(shù)據(jù)處理方面取得了巨大成功和廣泛應(yīng)用。因此，為了進(jìn)一步提取調(diào)制信號(hào)潛在的時(shí)序特征，在本文所設(shè)計(jì)的模型中，還引入了優(yōu)化后的循環(huán)神經(jīng)網(wǎng)絡(luò)——LSTM，其主要采用門控機(jī)制，可選擇性地記憶有效的信息，可以有效解決神經(jīng)網(wǎng)絡(luò)中長(zhǎng)序列依賴問(wèn)題。在本文提出的模型中，通過(guò)將Attention-SCNN的輸出送入到BiLSTM，其節(jié)點(diǎn)數(shù)為64，使得網(wǎng)絡(luò)可以提取數(shù)據(jù)過(guò)去和未來(lái)的關(guān)聯(lián)信息，捕獲更加全面的時(shí)序特征。而B(niǎo)iLSTM中存儲(chǔ)有大量的信息，為了降低冗余信息的影響，使得模型關(guān)注更有效的特征信息，我們還在LSTM中添加了注意力機(jī)制[16]，以期望能過(guò)濾掉不相關(guān)的信息，提升模型的效率。其實(shí)現(xiàn)主要是提取位于BiLSTM中間的輸出向量，再利用全連接層作為投影，得到查詢向量，然后與輸出做點(diǎn)積操作，再利用Softmax函數(shù)進(jìn)行歸一化操作，得到注意力權(quán)重向量。最后將該注意力分布值與BiLSTM的輸出做點(diǎn)積操作，得到最終的特征向量。接下來(lái)，再利用兩個(gè)全連接層，將該特征向量映射到容易分離的假設(shè)空間，其中激活函數(shù)采用“Relu”，并添加Dropout[17]策略，防止過(guò)擬合現(xiàn)象出現(xiàn)。最后再利用一個(gè)節(jié)點(diǎn)個(gè)數(shù)為需要識(shí)別的調(diào)制類型數(shù)量的全連接層，其激活函數(shù)采用“Softmax”，得到調(diào)制信號(hào)對(duì)應(yīng)于每一種類的概率分布，其中最大值所對(duì)應(yīng)的類別即為識(shí)別結(jié)果。

2 實(shí)驗(yàn)結(jié)果分析

本文以無(wú)線電調(diào)制信號(hào)標(biāo)準(zhǔn)數(shù)據(jù)集RML2016.10a[5]為研究對(duì)象，將提出的調(diào)制識(shí)別算法與其它相關(guān)文獻(xiàn)進(jìn)行了對(duì)比，分析了不同算法在不同信噪比下的調(diào)制識(shí)別準(zhǔn)確率，還探討了網(wǎng)絡(luò)深度對(duì)實(shí)驗(yàn)結(jié)果的影響，并對(duì)比了添加瞬時(shí)特征與不添加瞬時(shí)特征對(duì)實(shí)驗(yàn)的影響，實(shí)驗(yàn)結(jié)果表明了本文提出算法的有效性。

2.1 實(shí)驗(yàn)數(shù)據(jù)

在本文的實(shí)驗(yàn)中，采用的是2016年公開(kāi)的由GNU Radio軟件生成的標(biāo)準(zhǔn)數(shù)據(jù)集RML2016.10a，一共包括11類常見(jiàn)的調(diào)制信號(hào)，如：8PSK、AM-SSB、AM-DSB、BPSK、CPFSK、GFSK、PAM4、16QAM、64QAM、WBFM 和QPSK。每種調(diào)制類型的信噪比分布在-18 dB～20 dB區(qū)間, 每種信噪比下的每一類調(diào)制信號(hào)數(shù)量為1000條，信號(hào)樣本尺寸為2*128，一共220 000條樣本。在樣本生成過(guò)程，除加入噪聲外，還考慮了多徑衰落、采樣率偏移和頻率偏移等信道傳輸影響，以模擬真實(shí)的通信環(huán)境，具備較高的研究?jī)r(jià)值。

2.2 實(shí)驗(yàn)設(shè)置

2.3 結(jié)果與討論

為了對(duì)比評(píng)估本文所提出的算法，我們與之前流行的算法[6-9]進(jìn)行了對(duì)比，分別名為VTCNN2、CLDNN、GRU2、LSTM-AP。對(duì)于整個(gè)實(shí)驗(yàn)，本文主要討論了不同信噪比條件下、不同調(diào)制類型的識(shí)別準(zhǔn)確率，還分析了SepaConvBlock個(gè)數(shù)對(duì)識(shí)別效果的影響，并比較了不添加瞬時(shí)特征和融合瞬時(shí)特征的識(shí)別效果，從多方面、多角度分析說(shuō)明了所提出算法的優(yōu)良性。

2.3.1 不同信噪比下準(zhǔn)確率對(duì)比

圖5顯示了不同算法在不同信噪比條件下的識(shí)別準(zhǔn)確率。由于在低信噪比階段，調(diào)制信號(hào)受噪聲干擾較大，信號(hào)失真嚴(yán)重，本文提出的算法準(zhǔn)確率與其它算法準(zhǔn)確率相當(dāng)。當(dāng)信噪比高于0 dB時(shí)，所提算法識(shí)別準(zhǔn)確率明顯高于其它幾種算法，0 dB～18 dB平均準(zhǔn)確率達(dá)到91.5%，同比提升1.1%～17.7%，見(jiàn)表1。當(dāng)信噪比大于4 dB時(shí)，識(shí)別準(zhǔn)確率均高于92%，最高可達(dá)到93%，說(shuō)明了本文提出算法的穩(wěn)健性。這是因?yàn)?，該算法從調(diào)制信號(hào)本身出發(fā)，充分考慮到其多種特征表達(dá)形式，將簡(jiǎn)單但信息量豐富的瞬時(shí)特征和I/Q數(shù)據(jù)結(jié)合，并利用卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn)，從時(shí)序和空間維度，多方位有效提取每種調(diào)制類型的潛在特征，繼而實(shí)現(xiàn)了對(duì)多種調(diào)制信號(hào)的高精度識(shí)別。

表1 0 dB～18 dB信噪比區(qū)間的不同算法 平均識(shí)別準(zhǔn)確率/%

2.3.2 模型效果的混淆矩陣對(duì)比

圖6展現(xiàn)了其它各種調(diào)制識(shí)別模型在SNR=4dB時(shí)生成的混淆矩陣。其橫軸代表預(yù)測(cè)的調(diào)制類型，縱軸代表真實(shí)的調(diào)制類型，對(duì)角線表示每一種調(diào)制種類的識(shí)別準(zhǔn)確率，顏色越深，表示準(zhǔn)確率越高。可以發(fā)現(xiàn)，對(duì)于所有模型來(lái)說(shuō)，其中最難區(qū)分的兩類調(diào)制方式是AM-DSB和WBFM，這是因?yàn)樗鼈兌紝儆谀M調(diào)制方式，是通過(guò)采樣模擬聲音信號(hào)產(chǎn)生的，而該聲信號(hào)存在靜默期，使得識(shí)別困難加劇。而對(duì)于16QAM和64QAM,它們同屬于正交幅度調(diào)制，具有重疊的星座映射形式，這使得模型在較低信噪比識(shí)別時(shí)具有一定難度。從圖6可以發(fā)現(xiàn)，相比于其它算法，本文模型可以較大程度緩解這一問(wèn)題，降低對(duì)這兩類調(diào)制方式的識(shí)別混淆難度，提升了對(duì)多進(jìn)制正交幅度調(diào)制(MQAM)的識(shí)別精度，說(shuō)明了所提算法具有較高魯棒性，可有效提升調(diào)制識(shí)別任務(wù)的性能。

當(dāng)信噪比處于較高階段時(shí)，調(diào)制信號(hào)所蘊(yùn)含的特征更加清晰，使得模型提取更加容易。表2反映了各種算法在高信噪比18 dB時(shí),對(duì)每一種調(diào)制類型的具體識(shí)別準(zhǔn)確率。當(dāng)SNR=18dB本文所提算法所實(shí)現(xiàn)的平均準(zhǔn)確率相比較高，達(dá)到92.7%，而對(duì)于調(diào)制識(shí)別較困難的類型，如16QAM、64QAM、WBFM等類型，所提出模型實(shí)現(xiàn)的準(zhǔn)確率也都達(dá)到了最高，且都具有明顯的提升幅度。這些結(jié)果表明了本文算法的優(yōu)越性，說(shuō)明了結(jié)合多特征信息，并有效挖掘調(diào)制信號(hào)內(nèi)部的時(shí)序和空間特征，可以提升調(diào)制識(shí)別任務(wù)的效果，提高對(duì)某些容易混淆的調(diào)制類別的識(shí)別準(zhǔn)確率。

2.3.3 融合瞬時(shí)特征與不加瞬時(shí)特征的效果對(duì)比

為了探究瞬時(shí)特征在調(diào)制識(shí)別任務(wù)中所起到的作用，本文主要是通過(guò)改變輸入數(shù)據(jù)的形式以進(jìn)行對(duì)比實(shí)驗(yàn)。即直接將I/Q信號(hào)送入所設(shè)計(jì)的網(wǎng)絡(luò)中進(jìn)行調(diào)制識(shí)別，以及將瞬時(shí)特征與I/Q信號(hào)合并后再送入相同的網(wǎng)絡(luò)進(jìn)行調(diào)制識(shí)別。從圖7(其中Our_features代表添加了瞬時(shí)特征的效果，Our_non_features代表不加瞬時(shí)特征的效果)可以看出，在0 dB～18 dB之間，融合了瞬時(shí)特征后的調(diào)制識(shí)別準(zhǔn)確率高于直接將I/Q信號(hào)送入模型進(jìn)行識(shí)別的準(zhǔn)確率。它揭示了多特征信息的結(jié)合對(duì)于自動(dòng)調(diào)制識(shí)別的有效性，也反映了I/Q信號(hào)本身所攜帶的潛在特征對(duì)于調(diào)制識(shí)別可能存在一定的欠缺。將I/Q信號(hào)與瞬時(shí)特征的結(jié)合，豐富了每一種調(diào)制方式的特征表示形式，便于神經(jīng)網(wǎng)絡(luò)理清每種調(diào)制方式的內(nèi)在關(guān)系，從而提升調(diào)制識(shí)別的準(zhǔn)確率。

2.3.4 SepaConvBlock個(gè)數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響

在深度學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型性能通常會(huì)受到網(wǎng)絡(luò)深度的影響。因此，為了探究網(wǎng)絡(luò)深度對(duì)自動(dòng)調(diào)制識(shí)別的影響，本文主要通過(guò)改變模型中所設(shè)計(jì)的SepaConvBlock數(shù)量來(lái)控制網(wǎng)絡(luò)深度。從圖8可以看出，在0 dB～18 dB之間,隨著SepaConvBlock個(gè)數(shù)的變化，模型的識(shí)別準(zhǔn)確率總

表2 當(dāng)SNR=18 dB,不同算法對(duì)于每種調(diào)制 類型的識(shí)別準(zhǔn)確率/%

體呈先上升后下降的趨勢(shì)。當(dāng)SepaConvBlock數(shù)量為4時(shí)，0 dB～18 dB平均準(zhǔn)確率達(dá)到最高，為91.5%(本文其它未特加說(shuō)明的地方，模型中的SepaConvBlock個(gè)數(shù)都為4)。這說(shuō)明了網(wǎng)絡(luò)深度對(duì)調(diào)制識(shí)別具有一定的影響，但過(guò)于復(fù)雜的模型可能會(huì)造成過(guò)擬合現(xiàn)象的出現(xiàn)，在設(shè)計(jì)模型時(shí)應(yīng)當(dāng)合理控制模型容量。

3 結(jié)束語(yǔ)

本文提出了一種結(jié)合多特征信息的調(diào)制識(shí)別算法，從調(diào)制信號(hào)本身出發(fā)，將調(diào)制信號(hào)的瞬時(shí)幅度和瞬時(shí)相位與I/Q信號(hào)相結(jié)合，豐富了每一種調(diào)制方式的數(shù)據(jù)表示形式，可實(shí)現(xiàn)不同類型數(shù)據(jù)特征之間的互補(bǔ)。還設(shè)計(jì)了一個(gè)基于深度可分離卷積塊和LSTM的高效網(wǎng)絡(luò)結(jié)構(gòu)，并引入了注意力機(jī)制，有利于挖掘調(diào)制信號(hào)內(nèi)部潛在的時(shí)空特征。通過(guò)在標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)，表明了本文所提算法的優(yōu)越性，說(shuō)明了對(duì)于調(diào)制識(shí)別任務(wù)，特別是在受到各種干擾條件下，多類型數(shù)據(jù)源可以給模型提供多種觀察視圖，降低調(diào)制識(shí)別的難度。而結(jié)合網(wǎng)絡(luò)特性，設(shè)計(jì)一種較好的模型結(jié)構(gòu)對(duì)于調(diào)制識(shí)別也是至關(guān)重要的。

總的來(lái)說(shuō)，當(dāng)前調(diào)制識(shí)別領(lǐng)域還存在很多亟待解決的問(wèn)題，例如低信噪比下，如何提高調(diào)制識(shí)別的準(zhǔn)確率，以及在調(diào)制信號(hào)存在一定程度混疊時(shí)，如何準(zhǔn)確識(shí)別其調(diào)制方式都是值得進(jìn)一步研究的。