基于机器学习的调制模式识别系统设计

1基于机器学习的调制模式识别系统设计摘要在通信行业崛起，通信技术飞速发展的当下，信号调制分类技术正在成为关键的研究重点。该技术在通信网络的管理和维护上能帮助进行故障诊断与排查，在军事、国家安全等领域有助于信号识别和监测，确保信息传输安全与隐私。在推动通信技术的创新与发展也极为关键，它能为新调制技术的性能评估提供有效手段，助力新调制技术的改进与优化，加快从理论到实际应用的转化，是现代通信领域研究与发展的关键环节之一。本文致力于构建一种基于卷积神经网络的机器学习模型，以BPSK,QPSK,16QAM调制为实验对象，通过配置模型的结果和参数，经过随机生成的信号数据进行训练，实现对调制信号的识别和分类。在数据生成时，我们从原始二进制数据出发，借助特定函数进行调制形成复数信号，再经过模拟AWGN信道和多径信道处理，使数据贴近实际通信环境的完整过程。在卷积神经网络模型中，输入层将复数信号实部和虚部分别作为通道输入，卷积层利用共享卷积核提取多维度特征，批量归一化层稳定数据分布，ReLU激活层引入非线性，全连接层整合特征，输出层基于Softmax函数完成分类。整个训练过程采用了随机梯度下降法和交叉熵损失函数来保证准确率，最后通过混淆矩阵算出三种调制方式各自的F1分数和召回率，以此为依据对模型的分类性能进行评估。关键词：卷积神经网络调制信号混淆矩阵

DesignofModulationModeRecognitionSystemBasedonDeepLearningAbstractInthecurrenteraoftheriseofthecommunicationindustryandtherapiddevelopmentofcommunicationtechnologies,signalmodulationclassificationtechnologyisbecomingakeyresearchfocus.Thistechnologycanassistinfaultdiagnosisandtroubleshootinginthemanagementandmaintenanceofcommunicationnetworks,andishelpfulforsignalrecognitionandmonitoringinmilitaryandnationalsecurityfields,ensuringthesecurityandprivacyofinformationtransmission.Itisalsoextremelycrucialinpromotingtheinnovationanddevelopmentofcommunicationtechnologies.Itcanprovideeffectivemeansfortheperformanceevaluationofnewmodulationtechnologies,helpimproveandoptimizenewmodulationtechnologies,acceleratethetransformationfromtheorytopracticalapplication,andisoneofthekeylinksintheresearchanddevelopmentofmoderncommunicationfields.Thispaperaimstoconstructamachinelearningmodelbasedonconvolutionalneuralnetworks,usingBPSK,QPSK,and16QAMmodulationasexperimentalobjects.Byconfiguringtheresultsandparametersofthemodelandtrainingitwithrandomlygeneratedsignaldata,itrealizestherecognitionandclassificationofmodulationsignals.Duringdatageneration,westartfromtheoriginalbinarydata,usespecificfunctionstomodulateandformcomplexsignals,andthenprocessthemthroughsimulatedAWGNchannelsandmultipathchannelstomakethedataclosertothecompleteprocessoftheactualcommunicationenvironment.Intheconvolutionalneuralnetworkmodel,therealandimaginarypartsofthecomplexsignalarerespectivelyinputaschannelsintheinputlayer,theconvolutionallayerusessharedconvolutionkernelstoextractmulti-dimensionalfeatures,thebatchnormalizationlayerstabilizesthedatadistribution,theReLUactivationlayerintroducesnonlinearity,thefullyconnectedlayerintegratesfeatures,andtheoutputlayercompletesclassificationbasedontheSoftmaxfunction.Theentiretrainingprocessadoptsthestochasticgradientdescentmethodandcross-entropylossfunctiontoensureaccuracy.Finally,theF1scoreandrecallrateofeachmodulationmethodarecalculatedthroughtheconfusionmatrix,andtheclassificationperformanceofthemodelisevaluatedbasedonthis.Keywords:ConvolutionalNeuralNetwork,ModulatedSignal,ConfusionMatri

目录TOC\o"1-3"\h\u25674第一章绪论 第一章绪论1.1研究背景及意义调制模式主要分为模拟调制和数字调制，就是指在通信中，用于将信息信号转换为适合在传输介质上传播的形式的方法。这些模式定义了如何通过改变载波信号的幅度、频率或相位来编码信息，在信号监测、通信系统和电子对抗等领域具有重要应用。随着无线通信技术的快速发展，各种调制技术层出不穷，通信环境也日趋复杂。早期的信号调制识别工作主要依靠有经验的专家进行手工操作，存在特征提取困难、泛化能力不足、自动化能力低等局限性，最终的判断结果主观性比较强，准确率也难以保证。[1]而机器学习，特别是深度学习技术的兴起，为调制模式识别提供了新的思路。机器学习算法能够自动学习信号特征，并建立特征与调制类型之间的映射关系，具有推动机器学习在信号处理领域的应用和发展、探索新的调制识别算法和模型以提高识别准确率和效率、为未来智能通信系统提供理论支撑等理论意义和实际应用价值。1.2国内外研究现状近些年，国内学者对通信信号分类技术的研究逐渐深入，已经提出了CNN、RNN等多种模型，利用这些模型系统的研究了多径衰落、多普勒频移等复杂信道特征对模型性能的影响，在此基础上提出了自适应特征增强、噪声鲁棒性训练等解决方案。截至目前，这一技术已经成功应用于低轨卫星通信、认知无线电等通信系统中。国内一些企业和研究机构合作研发了专用的信号处理芯片，能够快速实现信号的采集、预处理和初步的调制类型分类，同时开发了基于软件无线电平台的实时调制识别系统模型，实现了对通信信号调制类型分类技术的广泛实践。2004年，范海波等对信号功率谱、平方谱、四次方谱及信号包络谱进行研究,提出了一组无需先验知识且对信噪比和信号调制参数不敏感的分类特征参数，提出了一种基于强顽健性谱特征的信号调制方式的自动识别方法。[2]2012年，秦立龙等在分析提升小波应用在调制模式自动识别的基础上，提出了一种新的特征提取方法，验证了在信噪比为0～20dB的情况下，基于改进第二代小波的特征识别方法能够得到较高的调制模式正确识别率。[3]2022年，刘祥辉分析了调制模式识别技术的发展以及改善方向，提出了一个调制模式识别方案，包括对含噪信号使用卷积降噪自编码器进行降噪预处理，针对常用PSK和QAM信号，具有较高的识别准确率。[4]2024年，张瀚之等总结了常见调制模式识别方法：基于最大似然估计的调制模式识别方法、基于特征提取的调制模式识别方法。分析各自的优缺点后提出观点：传统的离线学习方式难以满足目前真实环境的需要，因此要满足动态变化的需求，则必然需要对在线调制模式识别方法进行深入研究。[5]在这一领域上，国外的研究开始比较早，所以研究水平也处于领先状态。在调制识别的任物场景下，国外方面提出的深度残差网络（ResNet）、生成对抗网络（GAN）等模型，都得到了广泛的应用与一致的好评。并且国外研究人员还构建了很多个庞大的开源数据集，像RadioML、DeepSig等便是其中的代表，它们基于贝叶斯理论框架，对如何运用先验信息来提升分类的准确性和可靠性展开了深入研究，为性能评估以及新算法开发提供了数据基础。在军事通信、电子侦察、卫星通信等领域，国外学者们利用这一技术对不同卫星链路的信号进行精确识别和处理，提高了卫星通信系统的抗干扰能力和传输可靠性，实现了对复杂电磁环境下敌方通信信号的快速识别和分析，为电子作战提供了有力的技术支持。2014年

，Hong-daLIU等提出了一种基于高阶谱、循环谱和时频特征的联合特征提取与识别方法。具有识别参数少、对噪声不敏感、计算量小、识别率高、可多品种识别等优点。[6]2015年，JideJuliusPopoola和RexVanOlst提出了两个新的分类器，它们可以自动识别12个组合的模拟和数字调制信号，而无需任何调制方案和调制参数的先验知识。在信噪比（SNR）值从0dB及以上开始，平均总体识别率超过99.50%。[7]2018年，ZhangGY等人提出了一种基于自适应模糊聚类模型的自动调制分类法，根据M进制正交幅度调制(M-QAM)的幅度分量，设计了一种邻域半径自适应构造机制，利用测试信号和标准信号之间的聚类中心数的欧几里德距离来识别调制类型。[8]2024年，\t"/kcms2/article/_blank"JingfuLi提出了一种新的融合机器学习的模型迁移调制识别算法该算法首先采用卷积神经网络(CNN)和长短时记忆网络(LSTM)相结合的方式,充分挖掘和利用其在空间和时间维度上的特征提取能力。它通过并行结构显著提升了模型在这两个维度上的性能,能够保证在信号识别任务中的高效性和准确性。[9]方面国内国外理论研究发展迅速起步较早，研究水平领先应用研究逐步应用于实际系统应用范围广，系统成熟数据集建设相对缺乏数据集规模大，种类丰富1.3本文主要研究内容本文设计核心是构建一个基于卷积神经网络的神经网络模型，配置其初始参数和层次结构，经过大量数据训练，最终实现对不同调制信号的分类识别，最后以识别准确率，混淆矩阵参数来评估该模型的性能和可行性。第一章主要讲通信信号调制识别技术在当今的重要地位，以及本课题的研究目的，同时介绍了近些年来国内外对此技术的研究现状。第二章以机器学习为背景，详细的讲述了卷积神经网络的层次结构以及各层结构的功能和原理，介绍了其中关键的算法，选择了与本次课题研究最契合的实验方法：激活函数ReLU函数，随机梯度下降法，交叉熵损失函数。第三章重点分析了三种待实验调制方式的原理，介绍了本次研究对原始数据的预处理方法选择，运用了归一化处理和分帧处理，并在模型中加入了多径信道和AWGN信道，让生成的数据更加贴合真实场景下的信号数据。第四章记录了一次完整的实验过程，从模型的层次结构分析，到初始参数的设置，通过对训练结果的参数分析，评估这个模型对不同调制方式的识别性能，并讨论优化方案。第五章为结尾部分，主要是对全文内容的总结和对该模型未来的工作方向展望，分析了其应用前景和改进空间，也是对本次课题研究的总结。

第二章深度学习理论基础2.1引言人工智能是引领未来的重要战略性技术，是推动新一轮科技革命与产业变革的关键力量[10]，而深度学习是其中影响力颇大且极具发展潜力的一个技术方向。深度学习是机器学习的一个重要分支，由于它具有自动特征提取能力，非线性拟合能力，可扩展性，非常适用于本课题，所以本次实验选择以深度学习算法为基础展开。深度学习的重点是构建具备多个层次的神经网络模型，依靠这样的模型构造，计算机能够自行从大量的数据中提取复杂的特征并找出内在规律，进而有能力有效处理各类任务。深度学习的蓬勃发展，与大数据时代的降临以及计算能力的大幅增强息息相关。在实际应用领域，深度学习对图像识别、语音识别、自然语言处理等 方面都展现了强大的优势。2.2神经网络原理神经网络是一种模仿生物神经网络结构和功能的数学模型，是由大量神经元通过相互连接而构成的自适应非线性动态网络系统。[11]它通过学习训练数据中的模式和特征来实现分类、回归、聚类等各种任务。通过参照生物神经元原理工作接收多个输入信号后，先进行加权求和，再经激活函数处理，输出的结果便成为下一层神经元的输入内容。众多神经元依据特定层次结构相互连接，就形成了神经网络。图常见的神经网络包含输入层、隐藏层以及输出层这几部分。原始数据从输入层进入，到了隐藏层，经过神经元的加权求和与激活函数的处理，再将数据的特征进行转换和抽象，最终流转到输出层得到相应的预测结果，整个过程通过不断调整神经元之间连接的权重，让模型的输出尽可能接近真实结果。2.3卷积神经网络（CNN）CNN专为处理网格状数据（如图像、音频、视频）设计，通过局部感受野、权值共享、层次化特征提取等机制显著减少参数量并保留空间信息。2.3.1卷积层（ConvolutionLayer）卷积层是CNN的核心部分，主要由多个卷积核构成。卷积核在输入图像上滑动，计算卷积核与输入图像的局部区域之间的卷积结果，[12]在卷积过程中，权重和偏置通过训练过程自动学习，与对应位置的数据进行点积运算，得到的结果构成了输出的特征图（FeatureMap）。图 图 假设输入特征图X的大小为Hin*Win(Hin表示高度，Win表示宽度），卷积核K的大小为h*w（h为高度，w为宽度），步长（stride，卷积核每次在水平和垂直方向移动的间隔）为s，填充（padding，在输入特征图边缘补充的像素圈数）为p，输出特征图Y的大小为Hout*Wout，其计算公式如下：输出特征图尺寸计算： HW输出特征图元素值计算：Y2.3.2池化层（PoolingLayer）池化层，通常被称作下采样层，大多是紧跟在卷积层之后的。他会采用聚合邻近区域特征值的手段，进一步减少参数总量。这不仅能够降低计算成本，还有助于提高模型的鲁棒性，让模型对输入数据出现的微小变动不会产生太敏感的反应。[13]常见的池化方法有最大池化（MaxPooling）和平均池化（AveragePooling）这两种。最大池化的做法是从特征图里的每个局部区域挑选出最大值输出，有助于突出那些比较显著的特征；平均池化是通过计算局部区域的平均值来作为输出，从而实现对特征的平滑处理效果。图2..5 最大池化过程图2.6 平均池化过程2.3.3全连接层（FullyConnectedLayer）全连接层位于CNN的后部，通常由一层或多层神经元组成，这些神经元之间通过复杂的连接和权重关系进行交互，主要任务是提取和学习数据中的特征，通过不断的迭代和优化逐渐发现数据中隐藏的模式和规律。[14]在全连接层会把所有的特征图展平为一维向量，通过加权求和与非线性变换，将这些特征映射到一个新的特征空间中，为最终的分类或预测任务做准备。将全连接层与前面步骤连接起来，则卷积的全过程如图2.7所示。图2.7 卷积过程2.4激活函数及其特性在神经网络中，激活函数的出现为神经元引入了非线性因素，这样神经网络就能够学习和拟合复杂的非线性关系，否则多个线性层的堆叠仍然只能表示线性关系，那么无法处理现实中的复杂数据。2.4.1Sigmoid函数Sigmoid函数（又称Logistic函数）常被用于将神经元的输出映射为概率值，是最常用的激活函数之一网络中特征在零附近的二分类需要精确的sigmoid激活。优选近似的sigmoid激活函数,以降低计算复杂度和硬件资源。[15]处理二分类问题的输出层可以将任意实数映射到(0,1)区间，公式为：∂其中输入：x∈R（任意实数），输出：σ(x)∈(0,1)（概率值）图2.7 Sigmoid函数曲线2.4.2Tanh函数Tanh函数相比于Sigmoid函数，它的输出是以0为中心对称的，在一定程度上能够缓解梯度消失问题，并可以表征特征与潜在标签之间的非线性关系，Tanh函数通过将潜在标签空间的定义域约束为区间[-1,1]来描述标签的分布，[16]其公式为：f图2.8Tanh函数曲线2.4.3ReLU函数深度学习模型在训练时容易受到对抗样本的影响,为了降低这种影响，增强模型的恢复能力，RELU函数应运而生。[17]ReLU函数计算简单且效率高，在输入大于0时，输出等于输入，能够有效避免梯度消失问题，加快训练速度。同时，ReLU函数具有稀疏性，当输入小于0时输出为0，使得部分神经元处于休眠状态，减少了神经元之间的相互依赖，有助于防止过拟合现象,其公式为：R图2.8ReLU函数曲线2.4.4激活函数选择在处理信号数据时，模型需要快速有效的学习不同调制信号的复杂特征，为例加快训练速度，提高效率，本次实验选择ReLU函数作为激活函数。ReLU函数通过避免梯度消失问题，让模型能更快收敛，简单的计算方式可以适应大规模数据处理，节省计算资源，并且这一算法的防止过拟合能力增强了模型对不同调制类型信号的泛化能力，有助于模型在实际应用中准确识别各种调制类型的通信信号，而Sigmoid和Tanh函数在梯度特性、计算复杂度以及防止过拟合方面存在一定劣势，不太能满足该模型的需求。三种激活函数特性比较见下表：特性SigmoidTanhReLU输出范围(0,1)(-1,1)[0,+∞)对称性非零中心（均值0.5）零中心（均值0）非零中心（均值>0）梯度饱和严重（两侧饱和）较严重（两侧饱和）仅负区间饱和（梯度为0）计算效率低（含指数运算）中（含指数运算）高（仅比较和取最大值）梯度最大值0.2511主要问题梯度消失、输出非零中心梯度消失DyingReLU（神经元死亡）典型应用二分类输出层RNN/LSTM隐藏层CNN/全连接网络隐藏层2.5深度学习算法优化2.5.1梯度下降法梯度下降法是最基础的优化算法，其核心思想是基于函数梯度的概念，通过不断沿着损失函数梯度的反方向更新模型参数，以逐步减小损失函数的值，最终达到寻找损失函数最小值点的目的。对于一个包含多个参数的模型，损失函数L(θ)（(

θ)

表示模型的参数集合）关于每个参数都有对应的偏导数，这些偏导数构成了梯度向量

∇L(θ)。在每次迭代更新参数时，按照以下公式进行：θ其中，θ

t表示第

t

次迭代时的模型参数，θt+1是更新后的参数，η而随机梯度下降是其中求解最优化问题的重要方法之一,与其他方法相比，SGD可以更好地适应非凸性和高维性质并具有较好的求解效率。相比于全梯度每次迭代要计算所有的训练数据来进行参数更新,SGD在每次迭代时只使用一个样本来计算梯度并进行权重更新,这样可以大大降低计算复杂度和内存消耗,在处理大规模数据时也更加高效。[18]2.5.2自适应学习率算法熟知的自适应方法有AdaGrad、Adadelta、RMSProp、Adam。其中，作为第1个自适应优化方法的AdaGrad所使用的对角矩阵策略一直以来被认定为行业标准和典范，Adadelta、RMSProp、Adam也仅仅是对AdaGrad针对实验效果进行适当的改进，并未触碰和更改其对角矩阵的核心理论思想。[19]Adagrad为每个参数自适应地调整学习率，根据参数在训练过程中历史梯度的平方和来动态改变学习率大小。对于每个参数θj，Adagrad维护一个累积梯度平方和的变量

Gt,jG2.5.3优化算法选择本次研究我们选用了带动量的随机梯度下降法（StochasticGradientDescentwithMomentum，SGDM）作为优化算法。在训练过程中，按照SGDM的参数更新机制进行操作。首先，设定合适的学习率（LearningRate）参数，这一参数决定了每次参数更新的步长大小，学习率过大会导致模型无法收敛甚至发散，学习率过小使训练过程过于缓慢，经过多次实验选择设定为0.001。在确定动量系数（MomentumCoefficient）时，取值范围通常在0到1之间，不同的取值会影响历史梯度信息在当前参数更新中的权重占比。通过在训练初期，基于验证集等方式观察模型的收敛情况，我们对学习率和动量系数等参数进行微调，以达到最佳的训练效果，使得模型能够在SGDM的优化下，逐步调整卷积层、全连接层等各层的权重参数，最终实现对不同调制类型通信信号的准确分类。2.6损失函数本次实验使用了交叉熵损失函数法，交叉熵衡量两个概率分布之间的差异，用于分类任务中预测分布

与真实分布的距离。近年来，熵损失可视化技术成功地捕捉了神经网络损失曲面所表现出的局部极小值特性,可用于神经网络的适应度景观分析。[20]其公式为：H特性说明非负性H（y,y∗）不对称性H（y,y∗）概率敏感性对预测概率的错误惩罚呈对数增长（如真实概率1时，预测0.1的损失远大于0.4）。2.7本章小结本章围绕深度学习理论基础展开了系统性介绍，介绍了神经网络基本结构，明确其核心神经元的工作原理，以及神经元如何按照输入层、隐藏层和输出层的层次结构相互连接构成完整的神经网络。进一步聚焦于卷积神经网络原理，介绍了卷积层、池化层和全连接层的各自功能与协作机制。还阐述了激活函数在神经网络中的关键作用，并对深度学习中的优化算法进行了梳理，针对损失函数进行了选择与应用，认识了常用的损失函数。

原始信号数据处理3.1引言本章围绕着实验数据采集这一关键环节展开深入探讨。考虑到实际通信中信号会经历不同信道条件的影响，且面临着各种噪声干扰，我们通过模拟多种信道环境，涵盖从简单到复杂的信道模型，以此来全面捕捉不同调制类型信号在各种实际可能场景中的表现。为了确保模型能够充分学习到各调制类型在不同情况下的特征差异，我们在数据采集过程中还注重对不同调制类型样本数量的合理分配以及数据的预处理，获取了一套规范准确的数据集合。3.2常见的通信信号调制方式在现代通信系统中，存在多种不同的通信信号调制方式，每种调制方式都有其独特的原理和特性，其中BPSK、QPSK、16QAM调制具有较强的代表性，既涵盖了不同的调制维度，体现了不同的频谱效率，在常见的通信系统中应用也比较广泛，具有实际应用价值，所以在研究过程中选择了这三种调制方式作为对象，以下是三种调制方式的原理。3.2.1BPSK（二进制相移键控）：BPSK是一种较为简单的调制方式，它通过改变载波的相位来传输信息。其基本原理是利用两种不同的相位状态来对应二进制的“0”和“1”。例如，通常将相位0°表示二进制的“0”，相位180°表示二进制的“1”。在频谱特性方面，BPSK信号的频谱相对较窄，能量主要集中在中心频率附近。由于其调制方式简单，信息传输效率相对较低，不高但可靠性要求较高的通信场景中有着广泛应用。假设输入序列为b(n)∈(0,1)调制后的信号可以表示为：s当b(n)=0时，相位是φ；当b(n)=1时，相位是φ+π。在本次实验中，模型引用了图域变换与特征提取，提取矩阵的特征值和无符号矩阵，[21]并分别计算特征值向量。3.2.2QPSK（正交相移键控）：QPSK是在BPSK的基础上进行了改进，它将每两个二进制比特组合在一起，映射到复平面上的四种不同相位状态来传输信息。常见的相位映射关系有45°、135°、225°和315°，分别对应着不同的两比特组合（如00、01、10、11）。相较于BPSK，QPSK的信息传输速率提高了一倍，每个符号能够携带2比特的信息。其频谱特性上，频谱宽度相较于BPSK有所增加，但由于相位状态增多，其抗干扰能力相对BPSK会稍弱一些，对信道质量要求也略高一点。假设输入的数据流为d(n)，d(n)=[b2n,b2n+1]，其中bi∈{0,1}。调制后的信号可以表示为：sθ3.2.316QAM（16进制正交相移键控）：QAM调制就是利用两路并行信号与相位相同且正交的2个载波进行乘法运算。[22]16QAM属于高阶调制方式，它不仅利用相位的变化，还结合了幅度的变化来承载信息。通过16种不同的幅度和相位组合，将每四个二进制比特映射为一个符号，使得每个符号能够携带4比特的信息，大大提高了信息传输效率。在复平面上，这16种组合呈现出特定的点阵分布，不同的幅度和相位组合对应着不同的四比特序列。但是这种调制方式的信号复杂度相较于BPSK和QPSK明显增加，所以对信道条件要求更为苛刻，在信道质量不佳时容易出现误码，这就更加考验我们在编程构建模型时，对信道的参数设置和对模型数据处理部分的功能优化。假设输入的数据流为d(n)，d(n)=[b4n,b4n+1,b4n+2,b4n+3]，其中bi∈{0,1}。调制后的信号可以表示为：sAx,A3.3实验数据采集3.3.1数据生成BPSK调制是利用随机数生成器按照均匀分布的概率生成单个比特（0或1）组成的序列，以模拟信源发送的二进制信息。QPSK是每次生成两个连续的比特作为一组，而16QAM则是每次生成四个连续的比特作为一组，以此来分别对应不同调制方式下每个符号所承载的信息内容。在实验中，我们用了getModulator函数，把之前生成的原始二进制数据调制成复数信号。这个调制的过程，是按照不同调制方式规定好的映射关系来进行的，就是把二进制数据转变成复平面上有着特定实部和虚部的复数信号。拿BPSK来说，要是二进制数据是“0”，那就把它调制成相位为0°的复数信号，要是数据是“1”，就调制成相位是180°的复数信号。QPSK是依照两比特组合和四种相位状态的映射关系，把每组两比特的数据准确地转变成复平面上对应相位的复数信号。16QAM是按照自身16种幅度和相位组合的映射规则，把每组四比特的数据转化成对应的复数信号。通过这样的方式，复数信号就能完整地承载对应调制方式的信息了，也能体现出调制后信号在幅度、相位方面的特征变化。图3.1时域波形图图3.2频谱瀑布图由图3.1和图3.2分析可知BPSK能量在频率轴上主要集中在中心频率（0kHz附近），两侧频率上也有一定分布但相对较弱。其在不同时刻的频率成分相对稳定，这就导致BPSK信号调制方式相对单一、变化较少。而QPSK因为有四种相位状态，所以相比BPSK在两侧频率上的能量分布更宽，在相位切换上更为复杂。16QAM能够同时利用幅度和相位的16种状态组合来传输信息，所以能量分布最广泛，在整个频率轴上的分布最均匀，且颜色的变化更为复杂和密集。3.3.2信道模拟从信道随时间是否变化，可以将信道可以分为非时变信道（如高斯信道）和时变信道（如瑞利衰落信道）；从信道中噪声角度数来看，可以分为高斯噪声和非高斯噪声；从天线数量上，可以分为单天线信道和MIMO空间相关信道。在本次实验中，为了更好的模拟真实的信号数据，提升模型的鲁棒性，所以在程序中加入了加性高斯白噪声信道（AWGN信道）和多径信道。AWGN信道会添加高斯白噪声，这种噪声能随机改变信号的幅度和相位，使得信号出现波动。当模型在训练时接触到有这类噪声干扰的信号数据，它就会试着从被噪声污染的信号里提取出调制类型的有效特征。这样一来，即便存在噪声，模型也不会没办法准确识别信号类型了。而多径信道带来的多径衰落以及多普勒频移变化，会让信号的时域、频域特征变得复杂多样。模型在学习这类数据的过程中，能够挖掘出不同调制类型信号在多径环境下的共性和差异特征。如此，模型就能更好地应对信号多径传播引发的各种复杂状况了。AWGN函数可表示为：y(t)=x(t)+n(t)其中x(t)是原始信号，n(t)为高斯白噪声，服从N(0,σ²)分布,特性说明加性噪声与信号线性叠加高斯分布瞬时幅度服从正态分布白噪声功率谱密度均匀分布平稳性统计特性不随时间变化3.3.3数据预处理在研究过程中中，模型采用了均值归一化法和分帧处理两种方法来进行数据的预处理。归一化处理：在接受信号时，模型对复数信号的实部和虚部的归一化是分开操作的，先计算实部和虚部数据在整个数据集上的均值，然后将每个数据点减去对应的均值，使实部和虚部的数据分布被调整到一个合适的范围。这样处理的目的是减少数据量级差异对模型训练的影响，避免因数据尺度不同而导致模型在训练过程中对不同特征的关注度不均衡，经过这样的处理方式，模型的收敛速度会有一定的提升，训练效率也会相应提高。分帧处理：我们在代码中设定了帧长

spf=1024，将连续的信号数据按照这个长度划分为一个个数据帧，这样就可以把信号看作是由多个帧组成的序列，因为每个帧内的数据可以看作是一个相对独立的单元，所以模型能够在每个帧上分别进行特征提取操作，然后综合各帧的特征来学习信号整体的特征表示，这样操作有助于提高模型对信号特征的学习效果，进而提升模型对不同调制类型的分类能力。3.4本章小结本章详细介绍了用于本次实验的三种调制式:BPSK,QPSK,16QAM，通过对它们各自原理的分析，我们了解了调制信号是如何利用相位、幅度等参数变化来承载信息的。然后介绍了本次实验对数据的预处理方法，通过特定函数依据不同调制规则生成原始二进制数据序列，再借助相应的调制函数将其转换为复数信号，确保每个调制类型的信号都能准确体现出其特有的幅度和相位特征，通过让信号依次经过AWGN信道和多径信道，模拟了现实通信环境中普遍存在的加性高斯白噪声、多径衰落以及多普勒频移等复杂现象，让数据更贴近真实通信场景下接收到的信号状态。为后续构建、训练和评估通信信号调制类型分类模型搭建了扎实且可靠的基础。

训练过程与结果分析4.1引言在前文中我们详细介绍了信号数据采集环节，本章我们聚焦到模型训练这一重要环节及其结果分析。在训练过程中，考虑到不同信噪比的影响，经过多次实验比对，选择了12dB作为实验对象，并单独比对了模型对16QAM和64QAM的识别能力，最后通过混淆矩阵对模型的性能进行分析评估。4.2数据集划分把经过信道处理后的信号数据按照8：1：1的数量比分为训练集、验证集、测试集。其中训练集用于模型的参数学习和训练，模型经过大量的样本学习，掌握了不同调制类型信号的特征与差异；验证集起到监控模型性能、调整超参数的作用，避免模型出现过拟合现象；测试集则用于最终评估模型在未知数据上的性能表现，能够反映出模型在实际应用场景中对信号调制类型分类的准确性。图4.1数据集划分由图4.1知实验中训练集包括8000个经过处理的信号，其中3000个BPSK，3000个QPSK，2000个16QAM，每个经过预处理的信号样本的数据维度为[1,spf,2]，在输入层的设定为

imageInputLayer([1spf2],'Normalization','none','Name','InputLayer')其中“1”表示输入数据的批次维度，意味着每次可以输入一组数据进行处理。“spf”（symplespersymbol）代表每个帧的样本数，我们设定为

1024

，这就确定了一帧信号在时域上离散样本的数量，它决定了输入数据在时间维度上的长度，也影响着后续特征提取的精度和范围。“2”体现了输入数据的通道数，因为我们处理的是复数信号，所以将实部和虚部分别作为两个独立的通道输入网络，这样模型就能够同时捕捉到信号这两个重要组成部分所蕴含的特征信息。4.3模型参数设置图4.2模型分层结构由图4.2可知，实验中基于CNN所构建的卷积神经网络modClassNet模型所配置的结构一共有31层，通过卷积层（CNN1-CNN7）、批量归一化层（BN1-BN7）、ReLU激活函数层、最大池化层（MaxPool1-MaxPool5）逐步提取通信信号特征，再经全局平均池化层（AP1）和全连接层（FC1）进行特征整合与分类决策，最后由Softmax[23]层输出分类概率。其中输入层（InputLayer）的输入维度为

[1,1024,2,1]

：输入数据是单通道，长度为1024（前面设置的spf=1024），有实部和虚部两个特征维度，批次大小设为1。最大池化层（MaxPool）在时域上每隔2个数据点取最大值，故设置池化核大小为

[1,2]

，步长也为2。全连接层（FC1）设置输入维度为128输出维度为3，对应3种调制类型分类任务。权重参数为

3×128

，偏置参数为

3×1

。4.4模型训练过程4.4.1不同信噪比比较在训练过程中，在保证其他参数不变的情况下，共用了三种不同信噪比的情况进行实验，分别是8dB、12dB、20dB，训练结果分别如下图：图4.3信噪比8dB的训练进度图4.4信噪比12dB的训练进度 图4.5信噪比20dB的训练进度由上图分析可知，训练从完成15轮共2100次迭代，该设置为模型提供足够的步长来训练特征，在笔记本电脑单GPU硬件资源下该训练时长表明模型收敛速度尚可。学习率设置为0.001并同时采用分段学习率调度使得模型有效收敛拟合。经过三次训练我们可以看到，在信噪比为20dB时，模型对这三种调制方式的验证准确度最高，达到了99.11%，在信噪比为12dB时，准确度为94.89%，在信噪比为8dB时，验证准确度最低，只有87.33%。分析其原因，在高信噪比下，信号相对“干净”，受噪声干扰程度低，接受的信号波形在时域和频域上能更清晰地呈现原本的特征，BPSK的相位跳变、QPSK的相位变化以及16QAM在幅度和相位的特定组合也更易被观察。但在低信噪比环境下，噪声对信号的影响显著增强，信号的时域波形会模糊、扭曲，特征变化易被噪声掩盖，频谱也会变得杂乱，大大的增加了模型的训练难度，容易造成误分类情况。虽然理想状态下希望信号不受噪声干扰，但为了更好的模拟常规的通信场景，我们要构建一种既不是完全无噪声的理想环境，又不会让噪声过大导致信号特征在识别过程中受到太大的影响，所以我们后续的训练选取了信噪比为12dB的测试条件继续训练。4.4.216QAM与64QAM对比考虑到在训练过程中，我们使用了两种PSK调制和一种QAM调制，对于QAM调制没有对比对象，可能会导致我们对模型在识别QAM调制的性能评估上造成偏差，所以在研究过程中，我们在设置信噪比为12dB的情况下，专门对16QAM和64QAM进行了一次比对，结果如下：图4.6两种QAM调制训练进度图4.7两种QAM调制混淆矩阵图4.8两种QAM调制的时域波形图由图可知该模型对16QAM的识别准确率略高于64QAM，但整体识别率比并不高。由于QAM是一种具有高度复杂特征的调制类型，且64QAM调制信号本身就包含一部分16QAM调制信号，这就对模型的学习要求大大提高，故在加入64QAM之后，模型对16QAM的识别率有明显的下降。结合BPSK和QPSK去分析，该模型对简单调制类型能够收敛到较好的性能，但对于16QAM和64QAM特征复杂的调制类型还未达到最佳的参数状态，模型没有充分学习，进而导致识别准确率不高。4.5模型性能分析4.5.1准确率分析以信噪比为12dB的情况为例分析，该模型对三种调制方式的识别准确率达到了94.89%，BPSK准确率最高，为98.3%；QPSK次之，是93.5%；16QAM相对最低，为89.3%。其原因可能是由于特征复杂度提升，学习难度增大，导致部分信号未能准确分类，且16QAM星座点分布密集，信号特征极其复杂，对模型的特征提取和分类能力要求更高。主要的误判在QPSK和16QAM之间，一方面是因为二者在相位调制上有相似之处，另一方面16QAM信号在信道中受噪声、多径衰落等影响后，特征畸变严重，模型难以准确提取和判断其特征，从而造成较多误判。4.5.2混淆矩阵分析图4.9信噪比8dB混淆矩阵图4.10信噪比12dB混淆矩阵图4.11信噪比20dB混淆矩阵三种不同信噪比训练结果所产生的混淆矩阵如上图所示，我们还是以信噪比为12dB为例分析，由混淆矩阵我们可以得到两个重要的性能评估指标：F1分数：F1=2∗召回率：Recall=经过计算：RecallBPSK≈0.983RecallQPSK≈0.935Recall16QAM≈0.893F1BPSK≈0.981F1QPSK≈0.914F116QAM≈0.916召回率和F1分数的结果表明模型对BPSK调制类型分类效果最优，而对复杂的16QAM调制类型分类效果相对较弱。改进方案：可以针对不同复杂调制类型的特点，从数据扩充、模型优化以及处理信道影响等方面入手，进一步提升模型对各类通信信号调制类型的整体分类性能。4.6其他调制类型在构建该神经网络模型时，还对其他几种调制类型进行了编写以及初始配置，如8PSK、GFSK、CPFSK等，由于他们在实际的通信场景下并不常用，所以没有选用作学习对象，在此处不做展示。4.7本章小结本章主要介绍并记录了一次完整的训练过程，包括初始阶段的参数设置，数据集的划分，对该模型的层次结构分析，以及对用于训练的三种调制方式的选择原因进行阐述，通过完整的实验过程得到准确率，F1分数，召回率等参数，更加清晰呈现了模型当前的状态，既验证了模型在通信信号调制类型分类任务上具备一定能力，也明确指出了其在面对复杂调制类型时的不足，为后续针对性的优化工作指明了方向，有助于进一步提升模型的整体分类性能，使其更好地应用于实际通信场景中。

总结与展望5.1非技术因素影响在研究过程中，除了技术因素，还存在很多非技术因素的影响。比如要训练复杂的卷积神经网络架构，强大的计算能力至关重要，往往需要配备高性能的GPU服务器。但本次实验环境仅仅是笔记本单GPU运行，在训练模型时面临训练时间过长、难以尝试更复杂的网络结构问题，影响最终对调制类型分类模型的优化效果。5.2全文总结本文依靠机器学习理论，构建了一个基于卷积神经网络的modClassNet网络模型，设置了卷积层卷积核大小、输出通道，池化层的步长，全连接层的数据输入输出维度等参数，选取了BPSK、QPSK、16QAM三种调制方式作为实验对象，依据调制规则生成原始二进制数据，将其转化成为复数信号，再模拟真实信道环境中的高斯白噪声、多径衰落情况，合理的将数据集进行归一化和分帧操作，将数据集按照80%、10%、10%的比例划分为训练集、验证集和测试集，最后经过训练，以混淆矩阵参数和准确率为判断依据去评估模型的分类性能。在模型训练期间，经过15轮的训练，累计迭代2100次。当时将学习率设定为0.001，并且运用了分段学习率调度的方式，依靠单GPU这样的硬件资源，模型成功实现了有效收敛，训练效率方面表现还算可以。在对模型性能进行分析的时候，从多个维度展开了评估，其中就包括准确率以及混淆矩阵这些重要指标。通过混淆矩阵，又进一步计算出了召回率和F1分数。最终的结果显示，模型在对较为简单的BPSK进行分类时，效果是最好的；然而，在面对像16QAM这种相对复杂的调制类型时，分类效果就显得比较弱了。这一情况充分反映出，该模型在处理那些具有复杂调制特征的类型时，确实存在着一定的不足之处。5.3未来展望在通信技术不断进步与革新的大环境下，通信信号调制类型的分类技术正迎来前所未有的发展机遇，同时也面临着诸多挑战。对于本次实验所建立的研究模型，在未来的理论探索和实际应用中都具有广泛的发展前景。如果将Transformer架构的序列建模优势与CNN的局部特征提取能力有机结合，可以构建一个具备层次化特征表示能力的复合网络结构。由于Transformer的自注意力机制能够有效捕捉信号序列中的长距离依赖关系，特别适合处理时变特性明显的调制信号；而CNN的卷积操作则擅长提取信号的局部时频特征。通过设计多尺度特征融合模块，可以使模型在不同分辨率下互补地学习信号特征，显著提高对高阶调制信号的分类精度。在收集原始数据的过程中，重点在于构建大规模的数据集。利用生成对抗网络（GAN）的逆向学习功能，生成具有真实统计特性的合成信号数据，并通过引入参数化的信道模拟器，灵活控制生成数据的关键特征参数如信噪比、多普勒频移等。结合元学习框架，可以实现数据标注过程的自动化和自适应优化，大大减少人工标注的成本。如果将此技术应用到通信安全领域，可以有针对性的以对抗性攻击环境为背景，在保证鲁棒性的前提下开发新的调制分类算法，可以引入物理层安全机制与对抗训练策略来提升模型在恶意干扰下的分类可靠性，为军事通信与应急通信系统提供安全保障。

参考文献[1]马文轩.基于深度学习的信号调制识别技术研究[D].烟台大学,2024.DOI:10.27437/ki.gytdu.2024.000406.[2]范海波,杨志俊,曹志刚.卫星通信常用调制方式的自动识别[J].通信学报,2004(01):142-151.[3]秦立龙,王振宇,闫朋展.改进小波在调制模式识别中的应用[J].通信技术,2012,45(11):11-13.[4]刘祥辉.低信噪比下调制模式识别的研究[D].兰州交通大学,2022.DOI:10.27205/ki.gltec.2022.000131.[5]张瀚之,何超,卢刚.信号调制模式识别研究[J].中国新通信,2024,26(09):27-30+14.[6]Hong-daLIU,Hong-xinZHANG,Peng-feiHE.Studyonhybridpatternrecognitionalgorithmformodulatedsignals[J].TheJournalofChinaUniversitiesofPostsandTelecommunications,2014,21(S1):[7]PopoolaJJ,OlstVR.DevelopmentandComparativeStudyofEffectsofTrainingAlgorithmsonPerformanceofArtificialNeuralNetworkBasedAnalogandDigitalAutomaticModulationRecognition[J].JournalofEngineeringScienceandTechnologyReview,2015,8(4):135-144.[8]ZhangGY,YanX,WangSH,