复杂电磁环境下数字通信信号调制识别技术研究
摘要
近年来，基于深度学习（DeepLearning，DL）的调制识别由于其在特征提取及分类
精度方面的优越性而备受关注。将通信信号的星座图特征转换为图像后再利用深度神经
网络（DeepNeuralNetworks，DNN）进行分类，从而完成调制信号的识别得到了广泛的
应用。然而基于深度学习的调制识别广泛存在一个比较严重的问题就是当调制信号信道
模型发生变化，原来训练好的模型会出现失配，导致识别率下降。在无线通信应用飞速
普及的今天，电磁环境日益复杂，在复杂的电磁环境下，这个问题显得尤为突出。
本文针对复杂电磁环境下基于深度神经网络进行调制识别会存在模型失配的问题，
即当测试样本与训练样本存在分布差异时，识别率会显著下降展开研究。文章分两步来
进行相关问题的研究。首先是在只有加性非高斯脉冲噪声条件下展开研究，然后是在乘
性干扰与加性非高斯脉冲噪声同时存在条件下展开研究，主要的工作内容如下：
在只有非高斯脉冲噪声条件下对基于深度域自适应的调制识别进行了深入的研究。
首先，从星座图特征的强化作为切入点进行了研究，针对实像对数法存在的问题，提出
了对特征指数的鲁棒性更好的实像有界非线性函数算法。在IQ两路信号矩阵化映射
?
算法部分，提出改进的图形星座投影算法，即将实像有界非线性函数算法引入图形星座
投影算法，并在矩阵化映射之后灰度增强，进一步强化星座图特征。然后通过深度域自
适应网络进一步提高了跨域识别率。由于深度自适应网络（DeepAdaptationNetworks,
DAN）的域自适应损失只考虑全局，会出现局部负迁移现象，因此使用局部最大平均差
异替换了最大平均差异作为新的域自适应损失，改善了局部负迁移现象。
在乘性干扰与加性非高斯脉冲噪声同时存在条件下，首先研究了非高斯脉冲噪声下
的基于分数低阶统计量的常模盲均衡、基于最大相关熵准则的常模盲均衡算法，针对调
制识别先验信息有限的特点，确定了将基于最大相关熵准则的常模盲均衡算法用于调制
识别。然而在多径信道模型发生变化之后，即使使用深度域自适应网络进行迁移适配也
不能取得理想识别效果。分析发现，这与所用盲均衡算法不能纠正相位旋转有关，因此
提出基于最大相关熵准则的修正常模盲均衡算法。因为改进算法在调制信号集的部分信
号处理过程中存在着不收敛的问题，所以又提出了星座分布均衡系数的概念用以解决该
问题。仿真实验结果表明，所提算法能够有效改善模型失配的问题。
关键词：星座图；脉冲噪声；域自适应；相关熵；盲均衡
I
复杂电磁环境下数字通信信号调制识别技术研究
ABSTRACT
Inrecentyears,modulationrecognitionbasedonDeepLearning(DL)hasattractedmuch
attentionduetoitssuperiorityinfeatureextractionandclassificationaccuracy.Convertingthe
constellationdiagramfeaturesofcommunicationsignalsintoimagesandthenusingDeep
NeuralNetworks(DNN)forclassification,soastocompletetheidentificationofmodulated
signalshasbeenwidelyused.However,aseriousprobleminmodulationrecognitionbasedon
deeplearningisthatwhenthechannelmodelofthemodulationsignalchanges,theoriginal
trainedmodelwillbemismatched,resultinginadeclineintherecognitionrate.T