基于深度學習的自動調制識別方法綜述

張茜茜，王 禹，林 云，桂 冠*

(1.南京郵電大學 通信與信息工程學院，江蘇 南京 210003；2.哈爾濱工程大學 信息與通信工程學院，黑龍江 哈爾濱150001)

0 引言

自動調制識別(Automatic Modulation Recognition,AMR)是信號檢測和解調之間的重要步驟，它的目的是在不了解信號先驗調制信息的情況下，通過信號處理技術識別出接收信號的調制類型，其在許多無線通信場景中均發揮著重要的作用[1]。在軍事領域中，AMR廣泛用于信號監測、干擾識別和電子對抗等方面[1-4]；在民用領域中，AMR廣泛應用于無線電管理、頻譜感知和軟件無線電等場景中[5-6]，因此AMR技術被國內學者廣泛關注并且深入研究。傳統的AMR主要分為基于似然函數的方法[7-8]和基于特征提取的方法[9-10]。基于似然函數的識別方法理論上確保了識別結果在貝葉斯最小誤判代價準則下是最優的,然而該方法計算復雜度高且對模型失配和參數偏差比較敏感，在實際的復雜電磁環境中很難實現[11-12]。而基于特征提取的方法由經典模式識別理論衍生而來，其本質可視為一種映射關系，即從信號空間映射到特征空間。具體來說：一方面，把高維的接收信號空間映射到維數盡可能小的特征空間，以降低復雜度；另一方面，提取的特征應盡可能地顯示出不同調制類型之間的差異，以取得更好的識別性能。雖然基于特征提取的方法不是最優的，但如果能提取到足夠多的有效特征，性能也會接近最優且容易實現。

近年來，人工智能(Artificial Intelligence,AI)的發展日益成熟，其中機器學習(Machine Learning,ML)和深度學習(Deep Learning,DL)成為AI研究的主流，并在圖像識別[13]、語音識別[14]和自動駕駛[15]等應用領域呈現出壓倒性的優勢。通常，基于 ML的AMR方法，如決策樹(Decision Tree,DT)[16]、K最鄰近(K-Nearest Neighbor,KNN)[17-18]、支持向量機(Support Vector Machine,SVM)[19-21]等采用模型驅動的方法，該方法所提取的特征需要一定的專業知識與經驗，并且還需要得知調制池的先驗信息。一旦假設的信號模型或噪聲模型與實際的信號或噪聲不匹配，就會發生誤判別。而基于DL的AMR方法采用數據驅動的方法[22]，該方法所使用的網絡比以前的神經網絡深得多，它在無需人工干預的情況下從原始數據中自動提取復雜的特征并做出有效的識別決策，即通過端到端的方式提取和識別信號特征。最近一些研究表明，DL方法可以克服ML的一些障礙并在AMR領域中實現最先進的性能，因為它具有從不同調制格式中學習辨別特征的優異能力[23]。此外，DL方法已普遍應用于各種通信技術中，如波束形成[24]、非正交多址接入[25-26]和信道估計[27]等?；贒L的AMR方法具有強大的特征提取能力和分類回歸能力，能夠有效地對調制信號進行預測和識別。

DL方法在大數據驅動下，依靠自主學習分析數據規律。概括出更多層面更有代表性的數據特征，從而脫離了對特征工程的依賴，在圖像、語音等任務上取得了超過其他算法的效果。基于DL的AMR方法主要包括卷積神經網絡(Convolutional Neural Network,CNN)、循環神經網路(Recurrent Neural Network,RNN)和自動架構搜索(Automatic Architecture Search,NAS)等方法。CNN作為一種重要的具有深層結構且包含卷積計算的前饋神經網絡，其通過權值共享和稀疏連接來降低模型的復雜度，并從接收信號中自動提取特征信息，發現接收樣本中的特征規律，從而實現調制信號的有效識別[28]。RNN有一個內存來存儲它已經從之前的輸入數據中學到的輸出，它可以處理一段時間內的向量序列[29]。但是 RNN 存在短期記憶問題，而長短時記憶(Long and Short Term Memory,LSTM)作為RNN的一種優化算法可以保留較長序列數據中的重要信息，忽略不重要的信息，從而解決RNN 短期記憶的問題。NAS可以認為是一種任務驅動的方法，該方法可以根據樣本集自動設計出優異的深度神經網絡(Deep Neural Network,DNN)模型，而無需大量的專業知識和反復的試驗，降低成本的同時，甚至會發現人類專家之前未曾提出的網絡結構[30]。

本文將近年來提出的AMR方法按照經過預處理后的信號表示方式分為三類：

第一類是直接從接收到的信號中提取專家經驗特征，然后再利用神經網絡進行識別。Hassank等人[31]將連續小波變換的高階統計矩作為特征集，輸入到多層前饋神經網絡進行識別，并利用主成分分析(Principal Component Analysis,PCA)降低網絡復雜度，以提高識別器的性能。Li等人[32]提出了一種基于抗噪聲處理和深度稀疏濾波CNN模型的甚高頻信號調制識別方法,首先提取采樣信號的循環譜并用低秩表示，然后采用稀疏濾波對CNN進行訓練，以高模型的泛化能力。

第二類是直接將同相正交(In-Phase Quadrature,IQ)信號作為神經網絡輸入數據。 Wang等人[22]設計的CNN模型可以在時變信噪比(Signal to Noise Ratio,SNR)條件下學習IQ樣本的特征，該CNN模型具有更強大的識別能力，且在實際應用中具有更高的魯棒性。Liu等人[33]提出了一種雙向卷積選通遞歸深度網絡架構，其將CNN、門控循環單元(Gated Circulation Unit,GRU)和DNN三種網絡各自的優點結合起來，從而實現高精度的調制識別。文獻[34]提出了一種用于AMR的經濟且高效的CNN，其輸入為IQ分量。

第三類是將采樣得到的IQ信號轉換為圖像的形式，如星座圖、時頻圖和循環譜圖等，這樣就將信號識別問題轉換為圖像識別問題，然后利用計算機視覺(Computer Vision,CV)領域中的DL算法對其進行識別。為了在困難的調制類型上獲得更高的精度，文獻[35]設計了基于星座圖的模型，實驗結果表明，即使在低SNR的情況下，該模型也能有效地識別出16QAM和64QAM。文獻[36]將接收信號轉換為時頻圖像，并采用多模融合模型對手工特征與圖像特征進行融合，其采用ResNet作為特征提取器。文獻[37]提出一種基于CNN二維循環譜圖的AMR方法，仿真結果表明，該系統能有效地識別出RadioML2016.10a數據集中的11種調制信號，且在較高的識別精度下，只占用較低的內存和計算開銷。

1 系統模型和問題描述

AMR系統模型如圖1所示。在發射端，輸入信息i(t)經過調制得到調制信號s(t)。s(t)在傳輸過程中會受到信道衰落和噪聲干擾的影響。在接收端，接收信號x(t)表示為：

圖1 基于DL的AMR系統模型

x(t)=s(t)*h(t)+n(t)，

其中，h(t)代表多徑信道，n(t)代表加性噪聲。

基于DL的AMR方法可以同時實現特征提取和識別，從而擺脫復雜且困難的人工特征設計部分。具體而言，基于DL的AMR通常分為兩個階段：在第一個階段中，對接收到的信號進行預處理，預處理是指對采集到的信號進行分析和處理，以獲得良好的信號表示(如振幅、相位、星座圖或更復雜的特征)；在第二個階段中，利用CNN、RNN和NAS等DL算法來自動提取信號特征并預測信號的調制類型。前一個階段比較耗時，但可以事先離線執行。而第二個階段花費時間少，但需要在線執行，這有助于在復雜多變的電磁環境中進行實時的AMR。如圖2所示，本文分別綜述數據集、信號的表示方式和基于DL的算法。

圖2 基于DL的AMR方法總體組織結構圖

1.1 數據集

在數據驅動的DL模型中，訓練、驗證和測試神經網絡都需要海量的信號數據。一些研究人員使用Matlab模擬的數據集[38-39]，而另一些研究人員更喜歡使用一些開源數據集[40- 42]。文獻[40]提出了一項關于ML在無線電信號處理領域新興應用的調查，并合成了RadioML 2016.10A數據集。該數據集基于GNU Radio環境生成，包含11種調制信號，每種調制信號包括20種SNR，每種SNR有1 000個樣本，每個樣本有I和Q兩路信號，每路信號包含128個采樣點。此外，這個數據集有一個更大的版本，叫做RadioML 2016.10B[41]。文獻[42]介紹了一個更具挑戰性的調制識別數據集RadioML 2018.10A，它包含24種調制方案，每種調制信號包括26種SNR，每種SNR有4 096個樣本，每個樣本有I和Q兩路信號，每路信號包含1 024個采樣點。表1總結了關于數據集的調制方案、SNR范圍、樣本總量以及影響因素。Zhang等人[38]提出了一種適用于5G NR系統的通用信道數據集生成器，該數據集生成器可以根據用戶的需求設置不同的信道參數，也可以生成大量的多輸入多輸出(Multiple Input Multiple Output,MIMO)信道。West等人[39]介紹了一種用于訓練神經網絡的新數據集，以執行寬帶信號識別。

表1 數據集總結

1.2 信號表示方式

在基于DL的調制識別中，將接收到的信號輸入神經網絡之前，需要對信號進行預處理，從而以恰當的形式作為神經網絡的輸入數據。現有的基于DL的調制識別算法的信號表示主要分為專家特征表示、序列表示和圖像表示三大類，表2對這三類信號表示及其特點進行了概述。

表2 信號表示方式及特點概述

1.2.1 專家經驗表示

在特定條件下專家經驗特征(包括瞬時參數統計特征、高階統計量特征和頻譜特征等)能夠取得較好的識別效果，但該特征依賴于專家設計和信號條件。文獻[43]將瞬時特征和高階統計特征等手動提取的特征與CNN提取的上下文特征串聯，以解決11種不同類型的調制識別任務。文獻[44]中特征提取結構由兩個組件構成：第一部分從接收信號中提取四階累積量，第二部分從接收到的IQ信號中提取極坐標。此外，作者在低SNR條件下，通過使用深度信念網絡平臺和尖峰神經網絡平臺，克服與DL體系結構相關的執行延遲問題，有助于提高分類精度。文獻[45]對于每種調制方案，針對不同的SNR值提取不同的頻譜特征(如最大頻譜功率密度、瞬時相位標準差、直接瞬時值的標準偏差等)。基于所提取的有效特征，訓練神經網絡以識別不同的調制類型。Kim等人[46]提出了DNN的模型，且從基帶信號中提取的21種不同特征來識別具有低淺層結構的BPSK、QPSK、8PSK、16QAM和64QAM信號。文獻[47]討論了從接收到的復雜信號中提取的5種特征，這些特征是通過在不同調制方案下改變SNR獲得的，作者采用了前饋神經網絡和概率神經網絡進行調制識別。Yao等人[48]使用小波變換峰值搜索對16QAM和64QAM進行識別，仿真結果表明，在SNR為10 dB時，平均識別率提高了11.5%。

1.2.2 序列表示

接收信號通常可以用IQ序列和振幅相位(Amplitude Phase,AP)序列來表示。文獻[40]首次提出利用IQ序列進行基于DL的調制識別，其識別了11種調制信號(包括8種數字調制類型和三種模擬調制類型)。隨后，許多研究人員選擇使用現有的IQ信號數據集作為CNN的輸入。文獻[49]使用純IQ數據進行模擬實驗，論證了CNN、殘差網絡(ResNet)等網絡結構在調制識別任務中的性能，首次提出識別精度不受網絡深度的限制。文獻[50]使用由兩個卷積層和三個全連接層組成的CNN來處理正交頻分多址(Orthogonal Frequency Division Multiple Access,OFDMA)系統中的IQ序列，以實現對接收信號高魯棒的AMR。此外，文獻[51]消除了OFDM系統中載波相位的有害影響，以進一步提高識別的精度。在文獻[52]中，超長IQ序列被劃分為多個子序列，以適應不同的序列長度，并運用遷移學習來提高再訓練效率。文獻[53]研究了在MIMO系統中，使用多個天線接收的IQ序列的協作調制識別，與傳統的專家設計特征方法相比，基于CNN的協同AMR方法具有更好的性能。

Chen等人[54]通過提取AP信息和數據增強操作，使得DL模型具有更強的泛化能力和更高的魯棒性。Rajendran等人[55]提出，通過將IQ數據轉換為AP信息并使用LSTM模型，以實現良好的識別準確率，該模型能夠自動從訓練數據中獲得信號的時間特征，而無需人工提取專家特征。Zhang等人[56]提出了基于CNN-LSTM的AMR雙流結構，一個流從原始的IQ信號中提取局部原始時間特征，另一個流從AP信息中學習空間知識。從兩個流中訓練的特征成對交互，豐富了特征的多樣性，進一步提高了模型的性能。Zhang等人[57]提出一種預處理方法，即通過將輸入數據從IQ序列轉換為AP序列，并針對此AP序列設計了一個帶有殘余塊的CNN，從而形成了一個具有高識別精度的AMR系統。文獻[40]提出了用于AMR的CNN模型，其中CNN通過使用IQ數據進行訓練，該方法優于基于專家特征的傳統方法。此后，Kulin等人[58]采用CNN模型對接收信號的AP信息進行操作，并獲得了輕微的性能改進。

1.2.3 圖像表示

得益于DL在CV領域取得了杰出成就，許多研究人員熱衷于將信號識別問題轉換為圖像識別問題[59]。Zhang等人[60]提出了一種基于CNN的AMR方法，該方法使用短時傅里葉變換(Short Time Fourier Transform,STFT)將各種信號轉換為時頻圖像數據集。文獻[36]利用平滑偽Wigner-Ville分布和Born Jordan分布將接收到的信號分別轉換為二維頻譜相關函數圖和星座圖，然后將這些圖像級聯來生成融合特征。此外，采用CNN分類器以獲得更多的判別表示，從而改善了最終調制識別性能。Zhang等人[61]提出了一種基于Choi-Williams分布(Choi-Williams Distribution,CWD)的波形盲識別方法，首先將接收到的信號通過CWD轉換為二維圖像；然后使用圖像二值化和圖像去噪算法將它們轉換成二值圖像。Yan等人[62]提出將接收信號從循環頻域變換到圖像域，用來表征原始信號的魯棒特征，從而獲得比現有方法更好的識別精度。文獻[63]進行了一項實驗，根據信號的二次和四次方的傅里葉變換的圖像對相移鍵控調制信號進行識別。實驗表明，該方法能夠良好地識別出低階相移鍵控信號。林等人[37]提出了一種利用CNN對接收信號的二維循環譜圖進行識別的方法。

Luan等人[64]提出將柯西分數星座圖作為脈沖噪聲的魯棒性特征，并設計了一種基于洗牌單元和選通遞歸單元作為識別器的輕量級結構，該方法在不損失性能的情況下，降低了計算復雜度。Wang等人[35]利用在星座圖上訓練的CNN來識別前一個CNN無法區分的16QAM和64QAM信號。Zhang等人[65]提出一種多尺度CNN用于信號星座圖的調制識別。為了克服現有成像方案的不足，開發了卷積灰度圖像。仿真結果表明，當SNR為4 dB時，平均識別準確率約為97.7%，優于其他方法。Kumar等人[66]提出了基于星座密度矩陣的調制識別算法，并使用基于經典ResNet-50的轉移學習和Inception V2深度學習模型對信號星座密度生成的彩色圖像進行訓練。文獻[67]使用多個類似星座的圖像作為數據集，并采用經典AlexNet和GoogLeNet的轉移學習進行調制識別。

2 基于DL算法的AMR方法

2.1 基于CNN的AMR方法

典型的CNN結構如圖3所示，輸入是經過預處理后的信號數據，輸出是識別結果。輸入數據經過若干個卷積層和池化層后，在全連接層中實現與輸出目標之間的映射[68]。CNN的本質上是一種輸入到輸出的映射。只要用已知的模式對CNN加以訓練，網絡就具備了輸入和輸出之間的映射能力，而不需要輸入和輸出之間精確的數學表達式。CNN的核心思想是局部連接、權值共享、池化操作和多層使用，這使其具有更好的泛化能力和魯棒性，從而易于訓練[1]。CNN從最初的2012年AlexNet橫空出世[69]到2014年VGG[70]席卷世界以及2015年ResNet[71]奠定了該領域的霸主地位，網絡模型變得原來越深，而且也得以證明，越深的網絡擬合效果越好，但網絡相應的參數量急速增加。隨后，出現一些以犧牲少的準確率為代價的輕量化網絡以及為完成不同識別任務而設計的組合網絡，比如分布式學習、遷移學習和CNN-LSTM等模型，不但降低了參數量和計算開銷，同時也滿足高精度的識別要求。

圖3 CNN的典型結構

Wang等人[35]設計了兩個CNN來識別不同的調制模式(包括BPSK、QPSK、8PSK、GFSK、CPFSK、PAM4、16QAM和64QAM)，系統結構如圖4所示[35]。

圖4 系統結構

前一個CNN在IQ采樣信號上進行訓練，并采用隨機失活(Dropout)代替池化操作，以獲得更好的性能，但此網絡只能將QAMs與其他調制類型區分開。后一個CNN在星座圖上進行訓練，以區分16QAM和64QAM信號。仿真結果表明，與基準方法相比，該方法可以獲得更好的識別準確率。

Gu等人提出了一種基于兩個CNN的盲信道識別輔助的廣義AMR方法，其系統架構如圖5所示[72]。前一個CNN在IQ采樣信號上進行訓練，以區分盲信道是視距(Line of Sight,LOS)信道還是非視距(Non Line of Sight,NLOS)信道。后一個CNN分別在LOS和NLOS信道條件下進行訓練，以識別信號的調制類型(包括2FSK、DQPSK、16QAM、4PAM、MSK和GMSK)。仿真結果表明，作者所提出的廣義AMR方法明顯優于傳統基于高階累積量的AMR方法。

圖5 盲信道識別輔助的廣泛AMR的系統結構

Zhang等人提出了一種基于CNN的魯棒AMR方法來識別不同的調制類型(包括FSK、PSK和QAM)，系統結構如圖6所示[73]。CNN在混合SNR數據集上進行訓練，以在不同SNR環境下提取特征。該方法在混合SNR(范圍為-5～5 dB)下用同一個CNN識別調制類型，不僅減少了設備內存還不需要精確的SNR估計。仿真結果表明，作者所提出的基于廣義CNN的體系結構比傳統的基于固定CNN的體系結構具有更高的魯棒性。

拉力試驗過程中，試驗機下部夾頭夾持夾具保持固定，上部夾頭夾持夾具往+Z方向持續提拉，使載荷不斷達到91000 N。

(a) SNR=j dB的樣本訓練固定CNN的AMR方法

文獻[9]提出了一種基于循環熵向量(Cyclic Correntropy Vector,CCV)的長短時記憶密集連接網絡(Long Short-term Memory Densely connected network,LSMD)的AMR方法。該方法首先從接收信號中提取包含循環平穩二階特征和高階特征的CCV，然后將提取的CCV特征放入數據驅動的LSMD中，該LSMD是由LSTM和密集網絡(DenseNet)組成的。文獻[74]所提出的體系結構設計為計算輕量卷積結構，它可以通過降低計算復雜度，以考慮認知無線電網絡的實時通信，并采用跳連接來提高模型的識別準確率。Huang等人[75]提出了一種基于網格星座矩陣的AMR方法，該方法將接收信號中提取的網格星座矩陣作為對比全卷積網絡(Contrast Full Convolution Network,CFCN)的輸入。仿真結果表明，與現有方法相比，CFCN在訓練時間較短的情況下具有更好的識別精度。Fu等人[76]提出了一種基于模型聚合和輕量化的分布式學習的AMR方法。其中，輕量化設計采用可分離CNN (Separable-CNN,S-CNN)，該網絡利用可分離卷積層代替標準卷積層，并切斷大部分全連接的層。仿真結果表明，與CNN相比，S-CNN的復雜度降低了90%以上，使得訓練效率更高，而識別準確率降低了不到1%。表3總結了基于CNN的AMR方法。

表3 基于CNN的AMR方法總結

2.2 基于RNN的AMR方法

如圖7所示，RNN與傳統神經網絡最大的區別在于每次都會將前一次的輸出結果y，帶到本次的隱藏層h中，并于本次輸入數據x一起訓練,其中，W{Wx,Wh,Wy}表示共享權重參數。RNN能夠從輸入信號中學習時序信息，通過參數共享以降低網絡規模和計算成本。LSTM作為RNN的一種優化算法可以保留較長序列數據中的重要信息，忽略不重要的信息，從而解決RNN 短期記憶的問題。

圖7 RNN的典型結構

文獻[81]中提出了一種最先進的基于LSTM的AMR方法，并將旋轉、翻轉和高斯噪聲這三種增強方法應用于DL算法的訓練階段和推理階段。類似地，文獻[82]針對AMR研究了RNN和LSTM。首先，將接收到的信號轉換成兩個歸一化矩陣，作為RNN的輸入。然后，利用四層雙通道LSTM提取IQ信號分量和AP信號分量的序列相關特征。Zhang等人[83]提出了IQ樣本和調制信號的四階累積量的組合，然后將組合向量輸入到CNN和LSTM分類器中。文獻[84]提出了卷積長短時DNN、LSTM和ResNet三種結構，并通過PCA和子采樣技術最小化訓練數據集的大小來減少訓練時間，同時使分類精度損失最小。仿真結果表明，這三種結構在高SNR下實現了約90%的分類精度。表4總結了基于RNN的AMR方法。

表4 基于RNN的AMR方法總結

2.3 基于NAS的AMR方法

NAS是解放人力的一種新途徑，它可以針對需要解決的問題自動搜索到最佳的網絡結構。NAS主要分為搜索空間、搜索策略和性能評估策略這三個維度，如圖8所示。

圖8 NAS方法的概述

NAS的原理是給定一個稱為搜索空間的候選神經網絡結構集合，用某種策略從中搜索出最優網絡結構，神經網絡結構的優劣即性能用某些指標如精度、速度來度量，稱為性能評估[88]。

Wei等人[89]提出將基于可微的NAS方法應用于AMR領域。該方法首先在IQ采樣信號上通過梯度下降的方法有效地搜索出基于單元堆疊的最優架構。然后，在不同SNR環境下訓練搜索到的最優網絡，以準確識別出BPSK、QPSK、8PSK、16QAM、2FSK、4FSK、8FSK和MSK這8種調制信號。實驗結果表明，基于梯度優化的網絡搜索方法比基線網絡具有更好的識別精度，并且在不失精度的情況下，使用了較少的參數和內存。

Zhang等人[90]提出通過Wigner-Ville分布將信號轉換為時頻圖像，然后通過基于NAS方法搜索到最優神經網絡，以識別出不同種類的時頻圖像。具體來說：首先在時頻圖像上通過基于單元的搜索空間和基于梯度的搜索策略得到CNN；然后通過性能評估不斷調整網絡和參數，以獲得最優的CNN；最后訓練搜索到的最優的CNN，以準確識別出Barker、B-FM、LFM、Rect、CPFSK、DSBAM、GFSK和SSB-AM這8種信號。實驗結果表明，該方法可以在低參數和浮點運算的情況下達到最優的識別精度。

Du等人[91]提出了一種基于可變網絡NAS的信號識別方法。信號經過STFT轉換成時頻圖像，該時頻圖像作為搜索和訓練模型的數據集，通過提取信號的時頻特征對不同的信號進行識別。該方法利用“塊單元”結構和基于控制器的RNN,根據外部環境自動設計模型,特別是，在平衡NAS框架中還提出并使用了一個平衡函數，作用于RNN控制器，在搜索理想模型時考慮驗證準確率和計算預算。通過采用漸進策略設計簡單和復雜的子模型，從而進一步提高搜索過程的效率。實驗結果表明，固定結構網絡通常不適用于可變數據集，所提出的平衡函數可以優化搜索策略，并且可以找到精度和效率都很高的模型，這優于僅使用精度標準搜索到的網絡模型。所提出的平衡NAS框架的魯棒性和穩定性也得到了定量驗證。

3 未來研究方向

(1) 信號數據集

現有的大部分生成數據集是通過模擬真實環境得到的，而在實際通信環境中,收集/感知獲取可靠的數據集樣本比較復雜，特別是帶有標簽的數據集。對于深度神經網絡來說，訓練樣本通常成本高昂且困難。未來，調制識別算法需要克服此困難，研究開集識別技術以識別未知目標，研究無監督識別技術以識別非合作通信場景中海量無標簽信號樣本，研究針對極少量數據的小樣本識別技術。

(2) DL模型構建

DL在圖像、語音等任務上的成功很大程度上得益于新的神經網絡結構的出現，如ResNet、Inception、DensNet等。但是設計出高性能的神經網絡需要大量的專業知識與反復調試，成本極高。因此，根據輸入數據自動搜索最優且輕量化的神經網絡架構值得深入研究探討。此外，DL的“黑箱”特性限制了深入研究模型的運行機理，針對此問題，DL可視化(包括數據可視化、網絡結構可視化和訓練過程可視化等)值得深入研究探討。

(3) AMR的應用拓展

未來，可以根據調制識別獲得的部分信號先驗信息，來支撐輻射源個體識別處理，精準識別出信號所屬的輻射源，為無線電頻譜監測提供重要支撐。此外，通信頻譜逐漸邁向毫米波、太赫茲等高頻段，導致通信頻譜與傳統的雷達頻譜相重疊。因此，如何識別出通信感知一體化系統中的雷達信號、通信信號等電磁信號也是一個重要的研究方向。

4 結論

DL在AMR領域越來越流行并已取得了杰出的成果。本文介紹了DL模型的基本原理和發展，并從數據集、信號表示和DL算法三個角度綜述了基于DL的AMR最新研究進展。從神經網絡的輸入數據類型來看，大多數識別方案將原始數據、專家特征和圖像等形式作為網絡輸入，研究者們設計適當的網絡以充分學習信號表示，從而獲得更高的識別準確率。此外，本文也討論了需要進一步深入研究的研究方向和開放性課題。