基于集成学习与特征降维的小样本调制识别方法

史蕴豪, 许 华, 郑万泽, 刘英辉

(空军工程大学信息与导航学院, 陕西 西安 710077)

0 引 言

通信信号调制方式识别是通信侦察、认知电子战领域的关键技术之一,在实际战场环境中,由于敌我双方的非协作特性,使得在还原敌方通信信号、获取敌方情报信息之前必须进行调制方式识别。此外,通信信号调制方式识别也为后续的信号解调、比特流分析、协议识别、信号解密、灵巧干扰等提供了重要支撑。

调制识别技术发展至今,无论是传统方法还是近些年兴起的深度学习方法均已取得杰出的研究成果。传统方法方面,文献[1-3]利用信号高阶累积量实现调制信号分类,文献[4-5]通过提取信号循环谱特征区分信号不同调制方式,文献[6-7]利用信息熵特征实现信号分类。深度学习方法方面,O’shea等人[8-9]最早于2016年利用有监督深度学习技术实现调制方式识别,直接使用卷积神经网络构建端到端的学习模型,成功对11种数字或模拟调制方式进行了识别。Jeong等人[10]提出利用短时傅里叶变换将信号从时域转换为时频域,并通过深度卷积神经网络提取时频域特征,最终完成了7种调制方式的识别,其在-4 dB的信噪比下仍有90%以上的识别正确率。Fan等人[11]提出了一种联合噪声估计的调制识别算法,该算法同时将原始信号数据和信噪比作为神经网络的输入,仿真结果显示这种算法在不同信噪比和不同频偏下的识别成功率已经接近理论识别率的上限。Zhang等人[12]利用卷积神经网络提取信号SPWVD时频图特征和BJD时频图特征,并与大量手工特征融合对8种调制方式进行识别,在信噪比为-4 dB时仍有92.5%的识别准确率。……