调制的缺点_基于联合特征图和卷积神经网络的自动调制分类

来源：F. Wang, C. Yang, S. Huang and H. Wang, "Automatic modulation classification based on joint feature map and convolutional neural network," in IET Radar, Sonar & Navigation, vol. 13, no. 6, pp. 998-1003, 6 2019, doi: 10.1049/iet-rsn.2018.5549.

摘要：作者提出了一种自动调制分类算法，该算法利用基于联合特征图的卷积神经网络（CNN）的深度学习来区分雷达发射器信号。生成包括时频图和瞬时自相关（IA）图的联合特征图，以在识别相位调制信号和频率调制信号两者上实现出色的分类性能。然后，将CNN设计为提取联合特征图的特征。训练和测试样本旨在评估CNN的识别率。仿真结果表明，联合特征图弥补了单一特征图在同时对调频信号和相位调制信号进行分类中的缺点，并获得了较高的分类精度。

1 介绍

雷达发射器的自动调制分类（AMC）是电子战系统中的重要功能[1、2]，其中雷达信号的分类不同于通常研究的通信信号分类领域。在电子战领域，雷达系统利用的信号调制类型通常包括单频（SF），线性调频（LFM），二进制相移键控（BPSK），正交相移键控（QPSK），二进制频移键控（2FSK），四频移键控（4FSK）等。通信信号的调制类别识别的基本方法可以应用于电子战系统中的雷达调制类型分类。

尽管通信信号的调制识别是一个热门话题，但很少有文献报道雷达信号的AMC。通信信号的AMC方法可以用作雷达信号AMC领域的参考。在[3]中，通信信号的AMC方法被概括为两类：基于似然性（LB）和基于特征（FB）。通常，LB算法具有更好的准确性，但缺点是需要完整的先验知识。由于FB算法与LB算法相比具有较低的计算复杂度，因此通常易于实现，但在理论上可能并非最佳。

FB算法主要由两部分组成：特征提取和模式识别。在实际实现中，基于瞬时幅度，相位和频率[4]，信号统计[5]和人工神经网络[6]的算法是突出的。通过基于人工经验的调制特征来分析接收到的信号，例如高阶累积量[7]，循环频谱[8]，时频特征[9]和模糊函数[10]，然后通过机器学习进行分类和其他算法。多年来，许多机器学习理论和算法，包括支持向量机[11]，K-means [12]，模糊聚类[13]和神经网络[14]，都被作为AMC中的分类算法进行了广泛的研究。

最近，深度学习在音频，视频和图像数据处理中表现出出色的性能[15-17]，并已在AMC中应用[18-21]。深度学习可以完成AMC，而无需完全的先验知识和通过手动设计提取特征的功能。在一系列公开文献中已经报道了一系列结果。将时频图视为图像，[19]提出了一种基于时频分布和卷积神经网络（CNN）的新型盲调制分类方法。对于LFM，正弦频率调制（SFM），多项式频率调制和其他频率调制信号，此方法的分类性能显着，但是它对其他类型的调制具有局限性。在[20]中，作者提出了一种异构深度模型融合（HDMF）方法，该方法通过串行和并行两种方式将CNN和长短期记忆结合在一起。 HDMF的性能已通过实验数据验证。在[