通信信號調制方式識別方法綜述*

曾創展，賈 鑫，朱衛綱

(1.裝備學院 研究生管理大隊，北京 101416；2.裝備學院 光電裝備系，北京 101416)

通信信號調制方式識別方法綜述*

曾創展1，賈 鑫2，朱衛綱2

(1.裝備學院 研究生管理大隊，北京 101416；2.裝備學院 光電裝備系，北京 101416)

對通信信號調制方式的識別進行了深入研究，對通信信號常用的數字調制技術和調制識別預處理技術、理想高斯白噪聲條件下基于決策論和基于統計模式的識別法、非理想信道條件下的調制識別法以及對共信道多信號調制方式的識別等進行了總結。在簡要介紹各種方法的來源、理論基礎和發展基礎上討論了各自的優缺點，并提出了調制識別研究領域的進一步發展方向。

通信信號調制識別 基于決策論 基于統計模式 非理想信道條件下 共信道多信號

0 引 言

調制識別通常位于接收機的前端，在信號檢測和信號解調之間，接收方要根據信號的調制方式進行解調才能繼續進行下一步操作直至最終獲取信號攜帶的信息。而在諸如無線電檢測、偵察、對抗等應用中，偵察方通常缺乏足夠的先驗知識，如信號的調制參數、方式等，而為了達到區分信號來源、性質、內容等目的，就需要偵察方對信號的調制方式進行正確識別分類。當前，制電磁權已日益成為重要的作戰要素，戰場電磁環境中存在著大量未知信號，此時人工識別已無法滿足信號識別的實時性要求，因而，人們開始研究自動調制識別方法，1969年，C.S.Weaver等人就發表了第一篇關于自動調制識別方法研究的論文[1]，根據信號頻譜的差異完成了自動識別。隨著通信信號從模擬調制發展為數字調制，調制方式更加復雜多樣，調制識別算法的研究成果也越來越多，涉及方法體系也十分廣泛。本文從AWGN條件下的調制識別、非理想信道條件下的調制識別以及共信道多信號的調制識別三方面概述了多種識別方法，在對各方法簡要介紹的基礎上對比討論了各自的優缺點，展望了調制識別研究領域的進一步發展方向。

1 數字調制技術和識別預處理技術

1.1 通信信號的數字調制技術

通信信號由早期的模擬信號發展到如今常用的數字信號，具備了較強的抗失真、抗干擾能力，并且成本有所降低。然而基帶信號受到天線尺寸以及信道帶通特性的限制，無法進行遠距離傳輸，且頻譜利用率較低，因而常使用各種數字調制方式將信號調制到載頻上再進行發送。根據基帶波形所控制的不同載波參數，可以將調制類型大致分為振幅鍵控(ASK)、相移鍵控(PSK)、頻移鍵控(FSK)和正交振幅調制(QAM)等。

1.2 調制識別預處理技術

進行調制識別通常需要經過三大步驟：信號預處理、確立分類識別準則和分類識別。信號預處理部分是為識別算法而服務的，通過對偵測數據進行信號處理來得到算法所需要的信號模型、參數等先驗知識。信號預處理主要包括：正交下變頻、中頻濾波、信噪比、符號周期、載頻等參數估計和符號同步等，通常根據算法的需求進行選擇。

2 AWGN條件下的基本識別方法

AWGN條件下的調制識別方法按照識別原理可以大致分為兩類：基于統計模式的識別方法和基于決策論的識別方法。

2.1 基于統計模式的調制識別方法

2.1.1 基于統計模式調制識別方法的研究進展

基于統計模式的識別算法由模式識別理論衍生而來。其主要流程為預處理、特征提取和分類，如圖1所示。

早期基于統計模式的方法主要是根據信號頻域特征的不同來區分各種調制方式[2]：如1988年，M. P. Desinio[3]提出利用信號譜特征來進行調制方式分類。1993年N.Ghani[4]利用AM、QPSK等信號平方譜譜峰數以及功率譜的差異來進行分類。

1995年，E. E. Azzouz、A. K. Nandi[5,6]通過計算信號的瞬時值的統計特征，并利用神經網絡[7]作為分類器，完成了多種模擬調制和數字調制信號的識別，為后續研究開辟了新的道路。1998年，X. M. Huo和D. Donoho[8]將星座點間的Hellinger距離作為識別特征。而后，隨著電磁環境變得更加復雜以及現代信號處理理論的發展，具有良好抗噪性能的識別特征如高階統計量等被引入了調制識別領域。2000年，J. Lopatka[9]等人使用高階矩、A. Swami[10]使用信號高階累積量進行調制識別。2005年，K. Maliatsos[11]等人引入小波變換來降低噪聲的影響并提取信號特征。周暉將分形理論應用到調制識別領域中，以分形集維數作為識別特征[12]，將高維數據空間映射到低維特征空間，降低了復雜度。為提高分類效果，克服神經網絡固有的欠學習、過學習缺點，Park Cheol-sun等人使用了支持向量機(SVM)作為分類器[13]，使得識別率明顯提高。

2.1.2 基于統計模式的調制識別算法的優缺點

(1)基于統計模式的調制識別方法的優點為理論分析簡單，預處理簡單易實現，高信噪比時信號特征易提取、適用類型多、識別性能較好。在某些條件下，識別性能能夠接近理論最優算法。在預處理精度較差、先驗知識較少的非合作通信的環境下，基于統計模式的調制識別方法依舊能夠有較好的識別性能。

(2)基于統計模式的調制識別方法的缺點為：算法的識別體系較繁雜，識別框架沒有完備的理論基礎，因而并不完善；算法通常基于特定的信號樣本來提取特征及設定判決門限，因而識別效果受噪聲影響較大，當信道不理想時，特征比較模糊。此外，通常還需要額外的訓練樣本且工程實現較困難，因為算法結合了很多現代信號處理方法，而這些處理方法又大多沒有能夠實現工程應用或工程實現的效率不高。

2.2 基于決策論的調制識別算法

2.2.1 基于決策論的調制識別方法的研究進展

除基于統計模式的研究之外，很多人也致力于從理論分析上得到調制識別的最優算法。但直到1988年，K. Kim等人[14]提出了ALRT算法，成功分辨出BPSK和QPSK信號，真正開創了以貝葉斯理論為核心的決策論調制識別方法。

基于決策論的調制識別可看成是多重假設檢驗問題。它是在有背景干擾的條件下對所截獲信號的檢驗統計量(通常采用似然比函數)進行理論推導，尋找合適的門限，然后在貝葉斯代價最小準則下進行判決，因此，又稱為似然比檢驗法(Likelihood Ratio Test, LRT)。LRT方法以最大似然比檢驗(Maximum Likelihood Ratio Test, MLRT)為基礎。基于決策論的調制識別算法框圖如圖2所示。

MLRT以信號的某些參數作為變量，如信號的均值、方差等，當接收方將這些變量看作隨機變量并對其概率密度進行平均處理時，MLRT則轉變為平均似然比檢驗(ALRT)；若將這些變量視作未知的確定參數，通過最大似然估計得到其概率密度，則為廣義似然比檢驗(GLRT)[15]；將上述兩者進行綜合使用則成為混合似然比檢驗(HLRT)[16]，可以解決高維計算和網狀星座的問題。雖然在2002年W. Wei證明了ALRT是貝葉斯準則下的最優調制分類算法[17]，但在復雜信號場景中，未知變量增多，計算量急劇增大，因而提出了偽似然率檢測算法，如quasi-ALRT[18]、quasi-HLRT[19]等，它們采用一些近似手段得到近似LRT，如J. A. Sills[20]、A. Polydoros[18]、C. Y. Huan[21]、C. S. Long[22]等人提出的通過求解匹配濾波器輸出信號的似然比函數來對MPSK、MQAM調制進行分類，從而減少了未知參量的個數、降低了計算的復雜度。而為了克服基于似然比算法對復雜預處理的依賴性，Fontes等[23]提出了一種類似然比的算法——基于相關熵的決策論算法，在先驗知識未知、信噪比5dB以上、AWGN信道條件下有很好的識別效果。

2.2.2 基于決策論的調制識別算法優缺點

基于決策論的調制識別算法的優點在于其具有完備的理論基礎，能夠得到識別性能理論曲線，并保證在貝葉斯最小誤判代價準則下其分類效果最優，因而可以將其作為理論性能上界，用以檢驗其他識別方法的性能。此外，由于檢測統計量建模中充分考慮了噪聲因素，因此在低信噪比下也有較好的性能，并能通過其對信道信息的完備性來改進算法以保證算法在非理想信道下的識別性能。

于決策論的調制識別算法的缺點有：

(1)似然函數推導復雜，未知變量較多時既難以處理，計算量還大。因而通常采用非似然比近似算法，但簡化處理會丟失分類信息導致分類性能下降；

(2)適用性差。由于似然函數的參數均是由特定條件下特定信號推導得到的，因而只適用于特定環境的調制識別問題；

(3)需要大量先驗知識，在參數估計存在偏差或所建模型與實際信道特性不匹配的情況下，算法性能急劇下降。

3 非理想信道調制識別的研究進展

非理想信道包括通信過程中由于信道傳輸特性惡化導致的信道衰落，傳輸過程中反射現象產生的多徑效應或者電子對抗中由干擾帶來的色噪聲、脈沖噪聲等非高斯噪聲[24]。在這些非理想信道中，一些常用的調制識別方法所設定的條件無法滿足，如噪聲的高斯性等，因而它們的性能會下降甚至無法進行準確識別。

最初主要是利用決策論方法的信道知識完備性來處理非理想信道中的調制識別問題，如N. Lay等人所使用的GLRT算法[15]、A. Abdi[25]等人針對Rayleigh衰落信道環境下似然函數中未知變量數量太多的情況提出的qHLRT算法等。2009年，F. Hameed，O. A. Dobre等人[26]對似然比函數參數估計的克拉美羅限進行了研究討論，對比了平衰落信道下各種識別算法的性能，提出了qHLRT-UB算法。而后，逐漸提出了對非理想信道魯棒性好的識別特征來進行基于統計模式的調制識別。2003年，O. A. Dobre等人利用匹配濾波后的過采樣信號計算循環累積量特征矢量[27]應用于非平穩噪聲環境中的QAM信號識別。2008年，H. Wu等人改進了四階累積量特征[28]，引入了信道修正因子，以彌補多徑衰落對PSK、QAM識別效果的影響。2009年，V. D. Orlic等人利用同樣的改進思路，提出了改進的六階累積量特征[29]，對PSK類內區分效果優于四階累積量。

當前在處理非高斯白噪聲時，一般采用兩種方法：(1)是將色噪聲白化，將其轉化為高斯白噪聲后再進行下一步處理；(2)是將其定義為一種適合描述通信信道噪聲的廣義高斯分布——Alpha穩定分布噪聲[30]，然后利用Alpha穩定分布噪聲的特性尋找新的特征進行模式識別。

關于衰落信道下的調制識別可以分為三類[31]：(1)對觀測數據直接提取對衰落信道魯棒性較強的特征參數，當前普遍使用循環高階累積量；(2)通過盲均衡來補償信道衰落[32]，對恢復后的數據提取特征；(3)利用多天線的空間分集能力來克服多徑干擾。

4 共信道多信號調制識別的研究進展

當前有關文獻中，對調制識別的研究基本集中于觀察數據中只有一個待識別信號的調制識別問題。而隨著無線電的迅猛發展，無線電傳輸頻段日益匱乏，再加上大量有意或無意的干擾信號，在同一信道的觀測數據中出現兩個或更多信號的情形日益普遍。

共信道多信號是指在一個信道中存在多個時域完全混疊的信號，由于觀測數據中混有多個信號，因而已有的單信號調制識別算法不能直接用于多信號的調制識別。雖然信號在時域中是混疊的，但它們在頻域、空域或其他域內都可能是可分的，因而處理共信道多信號識別問題主要是針對信號在其他域內的可分性。相關的研究文獻主要分為兩類：一是基于信號分離的識別方法，主要應用盲源分離的思想，其實質是將多信號問題轉化為單信號問題；二是基于直接特征提取的方法，其關鍵在于尋找信號明顯可分的特征域[33]。

第一篇研究多信號調制識別問題的文獻是Nagy在1994年發表的，他從觀測數據的幅度譜中直接提取各信號的功率譜特征來進行調制識別[34]。1995年，Spooner[35]基于信號周期譜的特征完成了在功率譜上完全重疊的多個信號的調制識別。朱波的碩士論文[36]中提出了基于小波變換利用Haar脊線構建識別特征量的方法。基于循環頻率不同時受多個信號時域混疊影響的特性，循環譜、循環累積量被廣泛應用于多信號調制識別領域，高玉龍等[37]研究了基于循環譜的共信道多信號調制識別方法，于寧宇等人[38, 39]研究了基于信號循環平穩特性的一系列識別方法。此外，陸明泉[40]則提出了利用觀測數據來建立數據的AR和GAR模型，并從模型中提取識別特征的識別方法；王靜在她的論文[33]中還將壓縮感知理論與高階循環累積量相結合，在不重構原信號波形的前提下，完成了多信號的調制識別。

而不同于直接提取特征來進行多信號識別的方法，A. Swami等人為了避免多徑的影響，提出了用信號分離的方法來實現調制識別[10]。當前常用的信號分離方法有：擬合法、經驗模態分解法(EMD) 和獨立分量分析法(ICA)。如蔡權偉[41]提出了基于模型擬合、能量算子、時變AR模型和貝葉斯估計等多種方式的多分量信號分離算法，并結合信號包絡特征進行FSK和PSK信號的識別；Zhou Zhiyu等人[42]提出了基于獨立分量分析的共信道多信號調制識別方法；王立東等人[43]提出了類似的識別方法，結合六種單信號分類特征，可識別的信號簇更豐富。

5 未來發展方向

基于目前的研究可以看出，調制識別研究已比較成熟，根據不同的應用條件、不同的應用需求，提出了大量的算法，能夠基本滿足信號調制識別的研究需求。但當前大量的算法還只能工作于5dB以上的信噪比環境且工程實現上有較大困難，而在非理想信道、共信道多信號方面可采用的方法又比較單一。因而還有如下問題值得研究：

(1)低預處理要求的識別算法。當前算法大多需要或默認待識別信號已經進行了精確同步，一些算法還要求信號的參數已知。但在非合作條件下，先驗知識不足，預處理過程往往不能得到精度較高的參數估計、定時同步、載波恢復，進而導致這些算法的識別結果嚴重惡化。因此研究低預處理要求的算法，對非合作條件下的調制識別十分重要。

(2)適合于非理想信道、共信道多信號的識別算法。當前用于非理想信道、共信道多信號的識別算法大多是基于信號的循環平穩特性，方法較為單一，且無論是使用循環譜還是循環高階統計量，都存在計算量大、特征難提取的難題，且針對此類算法的DSP器件運行效率也無法滿足大量數據實時識別的要求，因而此類算法在工程實現上有較大的困難。實際上，當前大量場所還是使用易于實現的功率譜識別方法，而較為精確的其它識別算法都難以應用。

(3)提升算法效果與完成工程實現相結合的算法。現有分類算法識別信號集互相交疊，識別過程有時過于復雜，造成算法整體效果下降。因此需要簡化處理過程。此外，鑒于無線電空間中信號數據的帶寬越來越大，需要實時處理的數據也越來越多，如何完成算法的工程實現也是在設計算法時需重點考慮的因素。

[1] Weaver C S, Cole C A, Krumland R B, et al. The automatic classification of modulation types by pattern recognition[R]. Stanford Electronics Laboratories, 1969.

[2] 鄧璋，徐以濤，王乃超. 基于信號譜線特征的調制方式識別[J]. 通信技術. 2013(1): 7-9. Deng Zhang, Xu Yitao, Wang Naichao. Modulation Recognition based on Signal Spectral Line Features[J]. Communications Technology. 2013(1): 7-9.

[3] Desimio M P, Prescott G E. Adaptive generation of decision functions for classification of digitally modulated signals[C]// Aerospace and Electronics Conference, 1988. NAECON 1988., Proceedings of the IEEE 1988 National. 1988: 1010-1014.

[4] Ghani N, Lamontagne R. Neural networks applied to the classification of spectral features for automatic modulation recognition[C]// Military Communications Conference, 1993. MILCOM '93. Conference record. Communications on the Move., IEEE. 1993: 111-115.

[5] Nandi A K, Azzouz E E. Algorithms for automatic modulation recognition of communication signals[J]. 1998, 46(4): 431-436.

[6] K A E E N. Automatic identification of digital modulation types[J]. 1995, 47(01): 55-69.

[7] Nandi A K, Azzouz E E. Modulation recognition using artificial neural networks[J]. Signal Processing. 1997, 56(2): 165-175.

[8] Xiaoming H,Donoho D. A simple and robust modulation classification method via counting[C]// Acoustics, Speech and Signal Processing, 1998. Proceedings of the 1998 IEEE International Conference on. 1998:3289-3292.

[9] Lopatka J, Pedzisz M. Automatic modulation classification using statistical moments and a fuzzy classifier[C]// Signal Processing Proceedings, 2000. WCCC-ICSP 2000. 5th International Conference on. 2000:1500-1506.

[10] Swami A, Sadler B M. Hierarchical digital modulation classification using cumulants[J]. 2000,48(3):416-429.

[11] Maliatsos K, Vassaki S, Constantinou P. Interclass and Intraclass Modulation Recognition using the Wavelet Transform[C]// Personal, Indoor and Mobile Radio Communications, 2007. PIMRC 2007. IEEE 18th International Symposium on. 2007: 1-5.

[12] 周暉. 低信噪比下數字調制信號盲識別研究[D]. 電子科技大學, 2010. Zhou Hui. Research on Blind Identification of Digital Signals in Low SNR[D]. University of Electronic Science and Technology of China, 2010.

[13] Cheol-Sun P, Jun-Ho C, Sun-Phil N, et al. Automatic Modulation Recognition of Digital Signals using Wavelet Features and SVM[C]// Advanced Communication Technology, 2008. ICACT 2008. 10th International Conference on. 2008: 387-390.

[14] Kim K, Polydoros A. Digital modulation classification: the BPSK versus QPSK case[C]// Military Communications Conference, 1988. MILCOM 88, Conference record. 21st Century Military Communications - What's Possible? 1988 IEEE. 1988: 431-436.

[15] Lay N E, Polydoros A. Modulation classification of signals in unknown ISI environments[C]// Military Communications Conference, 1995. MILCOM '95, Conference Record, IEEE. 1995: 170-174.

[16] Chugg K M, Chu-Sieng L, Polydoros A. Combined likelihood power estimation and multiple hypothesis modulation classification[C]// Signals, Systems and Computers, 1995. 1995 Conference Record of the Twenty-Ninth Asilomar Conference on. 1995:1137-1141.

[17] Wen W, Mendel J M. Maximum-likelihood classification for digital amplitude-phase modulations[J]. 2000, 48(2): 189-193.

[18] Polydoros A, Kim K. On the detection and classification of quadrature digital modulations in broad-band noise[J]. 1990, 38(8): 1199-1211.

[19] 鮑丹. 非理想條件下的調制分類問題[D]. 西安電子科技大學, 2007. Bao Dan. Modulation Classification in Nonideal Environments[D]. Xidian University, 2007.

[20] Sills J A. Maximum-likelihood modulation classification for PSK/QAM[C]// Military Communications Conference Proceedings, 1999. MILCOM 1999. IEEE. 1999: 217-220.

[21] Chung-Yu H, Polydoros A. Likelihood methods for MPSK modulation classification[J]. 1995, 43(2/3/4): 1493-1504.

[22] Long C S, Chugg K M, Polydoros A. Further results in likelihood classification of QAM signals[C]// Military Communications Conference, 1994. MILCOM '94. Conference Record, 1994 IEEE. 1994: 57-61.

[23] Fontes A I R, Pasa L A, de Sousa V A, et al. Automatic Modulation Classification Using Information Theoretic Similarity Measures[C]// Vehicular Technology Conference (VTC Fall), 2012 IEEE. 2012: 1-5.

[24] Dobre O A, Abdi A, Bar-Ness Y, et al. Survey of automatic modulation classification techniques: classical approaches and new trends[J]. 2007,1(2):137-156.

[25] Abdi A, Dobre O A, Choudhry R, et al. Modulation classification in fading channels using antenna arrays[C]// Military Communications Conference, 2004. MILCOM 2004. 2004 IEEE. 2004: 211-217.

[26] Hameed F, Dobre O A, Popescu D C. On the likelihood-based approach to modulation classification[J]. 2009, 8(12): 5884-5892.

[27] Dobre O A, Bar-Ness Y, Wei S. Higher-order cyclic cumulants for high order modulation classification[C]// Military Communications Conference, 2003. MILCOM '03. 2003 IEEE. 2003: 112-117.

[28] Hsiao-Chun W, Saquib M, Zhifeng Y. Novel Automatic Modulation Classification Using Cumulant Features for Communications via Multipath Channels[J]. 2008, 7(8): 3098-3105.

[29] Orlic V D, Dukic M L. Automatic modulation classification algorithm using higher-order cumulants under real-world channel conditions[J]. 2009, 13(12): 917-919.

[30] 楊偉超. Alpha穩定分布噪聲下通信信號調制識別研究[D]. 哈爾濱工程大學, 2012. Yang Weichao. Modulation Recognition for Communicationn Signals in the Alpha-stable Distribution Noise[D]. Harbin Engineering University, 2012.

[31] 廖紅舒. 通信偵察信號處理關鍵技術研究[D]. 電子科技大學, 2011. Liao Hongshu. A Study of Key Technologies of Signal Processing for Communication Reconnaissance[D]. University of Electronic Science and Technology of China, 2011.

[32] Paris B P, Orsak G C, Hongda C, et al. Modulation classification in unknown dispersive environments[C]// Acoustics, Speech, and Signal Processing, 1997. ICASSP-97., 1997 IEEE International Conference on. 1997: 3853-3856.

[33] 王靜. 壓縮采樣條件下的多信號檢測與調制參數估計[D]. 解放軍信息工程大學, 2013. Wang Jing. Detection and Modulation Parameters Estimation of Multi-Signals Under Compressed Sampling[D]. The PLA Information Engineering University, 2013.

[34] 王青紅. 共信道多信號的檢測與調制分析技術研究[D]. 解放軍信息工程大學, 2012. Wang Qinghong. Research on Detection and Modulation Analysis Techniques for Co-Channel Multi-Signal[D]. The PLA Information Engineering University, 2012.

[35] Spooner C M. Classification of co-channel communication signals using cyclic cumulants[C]// Signals, Systems and Computers, 1995. 1995 Conference Record of the Twenty-Ninth Asilomar Conference on. 1995:531-536.

[36] 朱波. 基于小波的單信道時頻重疊信號參數分析與實現研究[D]. 電子科技大學, 2010. Zhu Bo. Research on the Parameter Analysis and Implementation for Single-channel Time-frequency Overlapped Signal Based on Wavelet[D]. University of Electronic Science and Technology of China, 2010.

[37] 高玉龍，張中兆. 基于循環譜的同信道多信號調制方式識別[J]. 高技術通訊. 2007, 17(8): 793-797. Gao Yulong, Zhang Zhongzhao. Modulation Recognition of Multisignal in the Same Channel Based on Cyclic Spectral Correlation[J]. Chinese High Technology Letters. 2007, 17(8): 793-797.

[38] 于寧宇，馬紅光，石榮等. 基于循環譜包絡的共信道多信號參數估計[J]. 西南交通大學學報. 2011, 46(2): 303-309. Yu Ningyu, Ma Hongguang, Shi Rong, et al. Parameter Estimation of Co-Channel Multi-Signals Based on Cyclic Spectrum Amplitude[J]. Journal of Southwest Jiaotong University. 2011, 46(2): 303-309.

[39] Ningyu Y, Hongguang M, Rong S. Modulation recognition of co-channel OQPSK and MSK based on cyclostationarity[C]// Information Management and Engineering (ICIME), 2010 The 2nd IEEE International Conference on. 2010: 284-287.

[40] 陸明泉. 多信號的調制識別技術研究[D]. 電子科技大學, 2008. Lu Mingquan. Reserch on the Technology of Multi-Signal Modulation Recognition[D]. University of Electronic Science and Technology of China, 2008.

[41] 蔡權偉. 多分量信號的信號分量分離技術研究[D]. 電子科技大學, 2006. Cai Quanwei. Research on Separation of Signal Components of Multicomponent Signal[D]. University of Electronic Science and Technology of China, 2006.

[42] Zhou Z, Chen H, Liu N. Automatic recognition of multiple interferences and signals in the same channel based on ICA[C]// Radar Conference, 2009 IET International. 2009: 1-4.

[43] 王立東，張曉林，孔挺. 基于ICA和SVM的混合通信信號調制方式識別[J]. 儀器儀表用戶. 2011, 18(2): 62-65. Wang Lidong, Zhang Xiaolin, Kong Ting. Mixed Communication Signals Modulation Mode Identification Based on ICA and SVM[J]. Electronic Instrumentation Customer. 2011, 18(2): 62-65.

ZENG Chuang-zhan(1990- ), male, graduate student, majoring in modern signal processing theory and applications.

賈 鑫(1958—)，男，碩士，教授，研究方向為現代信號處理理論與應用；

JIA Xin(1958- ), male, M.Sci., professor, majoring in modern signal processing theory and applications.

朱衛綱(1973—)，女，博士，副教授，研究方向為現代信號處理理論與應用。

ZHU Wei-gang(1973-), female, Ph.D., associate professor, mainly engaged in modern signal processing theory and applications.

Modulation Classification of Communication Signals

ZENG Chuang-zhan1,JIA Xin2,ZHU Wei-gang2

(1.Department of Graduate Management, Equipment Academy, Beijing 101416, China;2.Department of Optical and Electronic Equipment, Equipment Academy, Beijing 101416,China)

The paper describes the in-depth research on modulation classification of the communication signals, summarizes the commonly-used digital modulation mode and the pretreatment technology, the likelihood-based and feature-based modulation classification in AWGN channel, and the modulation classification in the non-ideal channel as well as multi-signal modulation recognition method under the co-channel condition. Based on the brief introduction of each algorithm’s source, theoretical foundation and development, the advantages and disadvantages of these algorithms are compared, and the development direction of modulation classification research is also forecasted.

modulation classification of communication signals; likelihood-based method; feature-based method; the non-ideal channel; multiple-signals under the co-channel condition

date:2014-10-07；Revised date：2015-01-30

TN76;TN911

A

1002-0802(2015)03-0252-06

曾創展(1990—)，男，碩士研究生，研究方向為現代信號處理理論與應用；

10.3969/j.issn.1002-0802.2015.03.002

2014-10-07；

2015-01-30