基于Deep-LSTM 的通信信号调制识别算法

邹海英

（四川大学电子信息学院，成都610065）

0 引言

调制识别技术在频谱感知、电子对抗和防御等领域具有十分广泛的应用，因此一直是无线通信领域研究的热点问题。早期的调制识别方法主要是基于统计模式的识别方法[1-2]，其特征主要靠人工提取。人工提取特征的方式，依赖人的经验，鲁棒性差，时间复杂度高，同时存在识别率偏低等问题。

近年来，随着深度学习的快速发展，无线通信研究者开始把深度学习用于信号调制识别。Adzhemov S S[3]提出使用神经网络对无线电数字信号进行调制识别的方法，该方法使用多层感知器作为分类识别器，可以使决策规则的形成过程自动化。但多层感知器在低信噪比下分类效果差，识别率低。Hui Wang[4]提出使用主成分分析对提取的循环谱特征做降维处理，再利用ANN分类器对数字调制信号进行分类识别，但该方法需要手工提取特征，时间复杂度较高。ZHIYU QU[5]提出使用时频分析，图像处理和卷积神经网络技术实现雷达信号脉内调制识别的方法，但该方法识别的调制类型偏少。Wu S 等人[6]提出一种基于深度学习网络的远距离通信信号特征的识别算法，但该算法的时间复杂度较高。Ahmed.K.Ali 等提出利用高阶频谱特征和基于神经网络属性的分类算法，但该方法是在AWGN 信道环境下进行的，不适用其他复杂的信道环境[7]。

针对上述调制识别算法存在的问题，结合LSTM在处理时序问题上面的优势，提出一种基于Deep-LSTM 的调制识别算法。该算法通过减少人工预处理和特征提取步骤，直接将输入信号通过Deep-LSTM 网络学习特征之后，后接Softmax 判决输出。……