随着通信技术的快速发展，通信系统往往会采用多种调制方案，从而更好地利用频谱资源，满足爆发式增长的通信需求。调制识别是指在信号解调之前采集信号样本，通过相关技术自动判断信号调制类型，为后续信号的信息提取和处理等提供依据的技术。本书以深度学习和软件无线电技术为研究方法，将通信信号调制识别问题分为单载波信号识别和多载波信号识别两个方面，讨论调制识别的技术与实现。全书共有7章，主要内容包括研究背景及意义、深度学习与SDR相关基础理论、基于MRNN的单载波信号调制识别算法及软件无线电实现、基于TRNN的OFDM信号调制识别算法及软件无线电实现等。本书是一部关于通信信号调制识别理论与技术的专著，可作为高等学校和科研院所信号与信息处理、通信与信息系统等专业研究生的教材或参考书，也可供从事通信、导航、电子对抗等领域的广大技术人员学习与参考。

前言 通信业务数据量的爆发式增长使得有限的频谱资源愈发紧张，如何高效地分配、管理、使用频谱资源是通信领域重要的研究课题。调制识别技术是实现频谱资源监测、管理的重要技术手段。 1．单载波信号识别算法设计 针对当前从事单载波信号调制识别的研究大多具有信号识别类型少、预处理过程复杂、依赖先验信息等问题，本书提出可识别多达24种信号、不需要任何预处理（直接识别信号的I/Q分量）的基于多跳残差神经网络（Multi-skip Residual Neural Network，MRNN）的直接调制识别算法。首先，给出常见的模拟调制、幅相调制共24种单载波通信信号的模型及其时域波形图示例。其次，设计不需要任何预处理、可直接提取信号特征的深度神经网络模型MRNN。MRNN以具有可变特征提取能力的多跳残差栈为基本单元，可以同时提取信号的深层特征和浅层特征。在训练过程中，使用自适应矩估计优化算法更新网络参数。最后，用目前已知最大的公开调制识别数据集测试模型性能。实验结果表明，所提算法不需要复杂的理论推导，便于工程部署，对24种调制方式的识别准确率在SNR=10dB时可以达到96%（见第 3章）。 2．单载波信号识别算法部署 将设计的单载波信号调制识别模型MRNN部署到软件无线电平台。首先，搭建由两台装有GNU Radio软件的计算机和两台通用软件无线电外设（Universal Software Radio Peripheral，USRP）组成的软件无线电开发平台作为算法部署环境。两台USRP的发射增益和接收增益固定。其次，利用GNU Radio和USRP采集6种单载波信号在不同距离下的数据作为新的调制识别数据集。再次，用制作的数据集训练MRNN模型，将训练好的模型保存。最后，用一台计算机和一台USRP运行某一单载波信号发射端的GNU Radio流图，模拟发射机发射相对于接收机未知的单载波信号；用另一台计算机和一台USRP作为接收机，在计算机上运行接收端的GNU Radio流图，加载训练好的MRNN模型，对接收到的未知信号进行实时调制识别。实验结果表明，在收发增益固定、通信距离为2m的情况下，所提算法实时识别时间短（约4ms），实时识别准确率高（约96%）（见第4章）。 3．多载波信号识别算法设计 针对当前从事OFDM信号调制识别的研究大多是解决如何将多种单载波信号与某一种OFDM信号区分的问题，且实际应用中存在多种OFDM信号（子载波调制方式不同）的现实情况，本书提出基于三级残差神经网络（Triple-skip Residual Neural Network，TRNN）的OFDM信号调制识别算法。首先，制作包含6种仅子载波调制方式不同、其他调制参数相同的基带OFDM信号调制识别数据集。这种方式生成的OFDM信号更加相似，更加难以区分。其次，设计深度学习模型TRNN。TRNN的基本单元是三级残差栈，具有3个残差单元，每个残差单元的卷积层数量逐渐增加，目的是在网络层数加深时更加有效地提取深层特征。最后，通过实验优化并分析TRNN对子载波调制方式不同的OFDM信号的识别性能。实验结果表明，卷积层数逐渐增加的三级残差栈使得TRNN可以更有效地学习OFDM信号的子载波调制方式，所提算法在SNR=－10dB（低SNR）时比现有算法提升7%～17%的准确率（见第5章）。 4．多载波信号识别算法部署 将设计的OFDM信号调制识别模型TRNN部署到由GNU Radio和USRP组成的软件无线电平台。首先，搭建由两台装有GNU Radio软件的计算机和两台USRP组成的软件无线电开发平台作为算法部署环境，两台USRP之间的通信距离固定，用作发射机USRP的发射增益固定，用作接收机USRP的接收增益可变。其次，利用GNU Radio和USRP采集6种子载波调制方式不同的OFDM信号在不同接收增益下的数据作为频带传输时的OFDM信号调制识别数据集。再次，用新制作的数据集训练TRNN模型，将训练好的模型保存。最后，用一台计算机和一台USRP运行采用某一种子载波调制方式的OFDM信号发射端的GNU Radio流图，模拟发射机发射子载波调制方式未知的OFDM信号；用另一台计算机和一台USRP作为接收机，在计算机上运行OFDM信号接收端的GNU Radio流图，加载训练好的TRNN模型，对接收到的未知信号进行实时调制识别。实验结果表明，在收发增益固定、通信距离为60cm的情况下，所提算法实时识别时间短（约10ms），实时识别准确率高（约72.9%）。总体上，由于OFDM信号比单载波信号更复杂，因此所提算法的实时识别性能略低于第4章所提算法的实时识别性能（见第6章）。

目录 第1章 绪论 1 1.1 研究背景及意义 1 1.2 调制识别研究现状 3 1.2.1 基于决策理论的似然比识别方法 5 1.2.2 基于特征提取的统计模式识别方法 6 1.2.3 基于深度学习的调制识别方法 9 1.3 主要内容和结构安排 16 习题 17 第2章 深度学习与SDR相关基础理论 18 2.1 深度学习相关基础理论 18 2.1.1 深度学习简史与应用 19 2.1.2 BP神经网络 22 2.1.3 CNN 25 2.1.4 ResNet 27 2.1.5 其他神经网络 31 2.2 SDR相关基础理论 31 2.2.1 SDR原理 32 2.2.2 SDR硬件平台USRP 34 2.2.3 SDR软件平台GNU Radio 37 2.2.4 搭建GNU Radio + USRP软件无线电开发环境 41 2.3 本章小结 42 习题 42 第3章 基于MRNN的单载波信号调制识别（算法设计） 43 3.1 信号模型 44 3.1.1 AM类 44 3.1.2 MASK类 45 3.1.3 MPSK类 45 3.1.4 MQAM类 46 3.1.5 MAPSK类 47 3.1.6 FM和GMSK 48 3.2 基于MRS的MRNN 50 3.2.1 MRS设计 50 3.2.2 MRNN 52 3.3 实验仿真与结果分析 55 3.3.1 数据集介绍 55 3.3.2 网络性能优化 56 3.3.3 MRNN识别准确率分析 59 3.3.4 不同方法对比 61 3.4 本章小结 63 习题 64 第4章 基于SDR的单载波信号实时调制识别（算法部署） 65 4.1 算法部署 66 4.1.1 搭建算法部署环境 66 4.1.2 制作单载波信号数据集 67 4.1.3 训练MRNN 74 4.1.4 实时识别 75 4.2 实验仿真与结果分析 76 4.2.1 识别准确率分析 76 4.2.2 实时性能分析 78 4.3 本章小结 79 习题 79 第5章 基于TRNN的OFDM信号调制识别（算法设计） 80 5.1 制作基带传输时的OFDM信号数据集 81 5.1.1 OFDM调制原理 81 5.1.2 制作基带OFDM信号数据集 83 5.2 TRNN 88 5.3 实验仿真与结果分析 91 5.3.1 TRNN性能优化 91 5.3.2 TRNN性能分析 97 5.3.3 不同方法对比 99 5.3.4 实时OFDM基带信号调制识别 100 5.4 本章小结 101 习题 101 第6章 基于SDR的OFDM信号实时调制识别（算法部署） 102 6.1 算法部署 103 6.1.1 搭建算法部署环境 103 6.1.2 制作带通传输时的OFDM信号数据集 104 6.1.3 训练TRNN 108 6.1.4 实时识别 108 6.2 实验仿真与结果分析 109 6.2.1 识别准确率分析 109 6.2.2 实时性能分析 112 6.3 本章小结 112 习题 113 第7章 总结与展望 114 7.1 工作总结 114 7.2 研究展望 115 参考文献 117 附录A 128