【《单信号的调制识别研究文献综述》1700字】

单信号的调制识别研究文献综述由于数字调制方式在信号调制方面的广泛应用，使得人工识别的优势大大减少。因此，目前主要的研究是对数字调制信号实现AMC[2]。早在1996年研究学者Weaver提出了信号的调制识别理论，以及实现了调制识别技术的关键两部：关键特征的获取和分类器的确定。此理论的提出为后续学者去实现信号的调制识别提供了理论支撑[3]。发展至今，AMC主要有三个实现方法:（DecisionTheory）的识别方法[4-5]、（FeatureExtraction）的统计模式识别方法[6]及（DeepLearning）的识别方法。是将分类结果进行重复的假设验证，需要在各种环境下对调制信号的参数进行计算，获取重要的分布信息[7]，同时还要确定一个合理的阈值，当代价函数损失最少的条件下进行判别，从而实现信号的调制识别。图1-2LRT流程Polydoros和Kim等人[8]在1988年提出了平均似然比检测的方法，实现了两类信号的调制识别。在1995年Lay和Polydoros等[9]提出了广义似，这种思想可以大大得减少计算量，且稳定性强，并且可以降低对先验知识的须要。在2000年，Panagiotou等[10]结合了ALRT和GLRT的优点，提出了新的识别方法——，在保留两种方法的优势的同时使得调制信号的识别准确率大大提升。基于特征提取的方法有两个关键步骤：有效特征的提取和分类器的确定。信号的有效特征有很多，如：星座图，小波特征等。有效的特征输入到合适的分类器中，最后对信号的调制方式进行AMC。分类器的选择有很多，如：决策树（DecisionTree）、遗传算法、人工神经网络（ANN）和支持向量机等。相比于最大似然算法，基于特征选择的方法更加的被广泛应用，因为他的计算量少流程简单更容易实现[11]。图1-3基于FE方法的流程目前典型的特征提取方法有两种：基于信号的循环谱特征和基于信号的高阶累积量特征。最早在1995年，Nandi和Azzouz[12]等提取与分析了9类信号特征，包含信号的等，并通过这些特征实现了信号的调制识别。近年来，国内学者关亚男[13]等有着手于，实现了对，并利用获取到的信息熵特征进行了分类和识别，即使是在低信噪比下，可有着可观的识别效果。传统的模式识别方法都需要大量的人工计算来提取到样本中的特征，而神经网络可以从大量的样本中自动学习到样本特征，而非采用手工设计的专家特征。利用多层神经网络搭建网络模型，并训练该网络，研究出最优的参数设置，挖掘数据之间的内部联系，。从2016年开始，O'Shea[14-16]等相继研究深度学习对于AMC领域的适用性和泛化性，简称为CNN，实现了数字调制信号和模拟调制信号的分类识别，并且在文献[17]中用软件生成了多类调制信号的公开数据集供后续学者的研究，实验表明使用CNN来实现AMC相较于传统方法有更精确的识别结果，并在不同的信噪比下都有很好的表现。深度学习技术与AMC的结合为后续学者的研究打下了理论基础。在2017年李佳宸等[20]对调制信号进行预处理计算信号的循环谱特征，采用深度学习的，。2018年，Rajendran等[18]将适用于时间序列的网络长短期记忆网络(LSTM)应用在AMC领域，想要解放人力不再需要人工提取特征来实现自动化训练与识别，实验结果表明总体识别效果理想。而后ZhangM等[19]将调制信号两类信号进行信号的预处理计算信号数据的高阶累积特征，并将CNN与LSTM结合起来构建一个新型分支网络对训练数据进行训练。在[21]中，利用信号的SCF的特征，使用新型神经网络（深度信念网络，DBN）来实现AMC。实验结果表明对于五类调制信号来说（BPSK、QPSK、4FSK、OFDM、16QAM），有着可观的分类识别效果。[1]田晓迪.基于深度学习的通信信号调制模式识别方法研究[D].吉林大学,2020.[2]程磊,葛临东,彭华,郑金良.通信信号调制识别现状与发展动态[J].微计算机信息,2005(18):154-156.[3]WeaverCS,ColeCA,KrumlandRB,etal.Theautomaticclassificationofmodulationstypesbytyperecognition[R].StanfordLab,Tech.Report,1969:1829.[4]WEIW,MENDELJM.Maximum-likelihoodclassificationfordigitalamplitude-phasemodulations[J].IEEEtransactionsonCommunications,2000,48(2):189-193.[5]HAMEEDF,DOBREOA,POPESCUDC.Onthelikelihood-basedapproachtomodulationclassification[J].IEEETransactionsonWirelessCommunications,2009,8(12).[6]DobreOA,AbdiA,BarnessY,etal.Surveyofautomaticmodulationclassificationtechniques:classicalapproachesandnewtrends[J].IETCommunications,2007,1(2):137-156.[7]曾创展,贾鑫,朱卫纲.通信信号调制方式识别方法综述[J].通信技术,2015,48(03):252-257.[8]KimK,PolydorosA.Digitalmodulationclassification:theBPSKversusQPSKcase[C]//MilitaryCommunicationsConference.IEEE,2002:431-436.[9]LayNE,PolydorosA.Per-survivorprocessingforchannelacquisition,datadetectionandmodulationclassification[C]//ConferenceonSignals,Systems&Computers.IEEEComputerSociety,1994,2:1169-1173.[10]PanagiotouP,AnastasopoulosA,PolydorosA.Likelihoodratiotestsformodulationclassification[M],2000,2:670-674.[11]吴彦伦.基于深度学习的调制识别算法研究[D].电子科技大学,2018.[12]A.K,Nandi,and,etal.Automaticanaloguemodulationrecognition[J].SignalProcessing,1995.[13]LiuT,GuanY,LinY.Researchonmodulationrecognitionwithensemblelearning[J].EurasipJournalonWirelessCommunications&Networking,2017,2017(1):179.[14]O'SheaTJ,CorganJ,ClancyTC.ConvolutionalRadioModulationRecognitionNetworks[J].Springer,Cham,2016.[15]WestNE,O'SheaTJ.DeepArchitecturesforModulationRecognition[J].2017.[16]O'SheaTJ,RoyT,ClancyTC.Over-the-AirDeepLearningBasedRadioSignalClassification[J].IEEEJournalofSelectedTopicsinSignalProcessing,2018,12(1):168-179.[17]O'SheaTJ,WestN.RadioMachineLearningDatasetGenerationwithGNURadio.2016.[18]RajendranS,MeertW,GiustinianoD,etal.Deeplearningmodelsforwirelesssignalclassificationwithdistributedlow-costspectrumsensors[J].IEEETransactionsonCognitiveCommunicationsandNetworking,2018,4(3):433-445.[19]ZhangM,ZengY,