本书介绍了可用于通信信号自动调制样式分类的多种算法，包括过去20年开发的主要方法。本书将相关算法系统地分为5类：基于似然的分类器、基于分布检验的分类器、基于特征的分类器、机器学习辅助的分类器、盲调制样式分类器。对于每一种调制样式分类器，本书都列出了基本假设与系统需求，并利用数学表达式、图示、编程伪码等方式说明了设计实现过程。最后，还通过理论分析和数值仿真实验两种方式对各种自动调制样式分类器的性能进行了比较。

调制样式自动分类指的是识别所接收信号的调制样式，以确保可以正确地解调该信号，进而能够准确地恢复所发送的信息。该技术在军事、商业、情报、安全等领域内均有广泛应用。 模拟调制(如AM、FM)和数字调制(如PSK、QAM)的主要功能是利用载波信号将较低频率的基带信号转换为较高频率的带通调制信号，以提升信号的抗噪能力并扩展信号的传输距离。不同的调制样式需要不同的硬件配置、分配不同的带宽，其在不同传输信道中所能实现的抗噪能力、数据速率、鲁棒性也不尽相同。为解调已调信号并恢复出其中所含的信息，系统接收端必须首先知道调制的类型。 在军事领域，调制样式可以视作一种加密，使得事先不知道调制样式的接收机无法恢复出信号中所含信息。换言之，若想恢复出所截获通信信号(可能是来自敌方的信号)中所含的信息，则需要一个调制样式分类器来确定发射机所采用的调制样式。除可为恢复出信号中所含信息奠定基础外，调制样式分类还可用于识别辐射源并生成与调制样式相匹配的干扰信号。最初调制样式分类过程都是由有经验的信号工程师人工完成，后来则利用调制样式自动分类系统实现了自动化，自动化方式扩展了可识别的调制样式的种类，并提升了总体识别性能。 与早期通信系统不同，现代民用领域的信号发射机采用多种调制样式以控制数据速率、带宽利用率，并确保所传信息的完整性。尽管发射端与接收端都知道调制样式池中所包含的调制样式，但具体调制样式的选择是自适应进行的，而接收端可能事先对此一无所知。因此，接收端需要利用调制样式自动分类机制来选出正确的解调方式，以确保成功恢复该消息。 本专著讨论了可用于通信信号调制样式自动分类的多种算法。前两章首先介绍了理论信号模型，为后续分析奠定原理基础。重要的一步是统一不同研究中提出的各种不同的信号模型，为分析不同调制样式自动分类算法建立通用框架。 本书涵盖了过去20年开发的主要的方法。并将相关算法系统性地分为5类：基于似然的分类器、基于分布检验的分类器、基于特征的分类器、机器学习辅助的分类器、盲调制样式分类器。对于每一种调制样式分类器，本书都列出了基本假设与系统需求，并利用数学表达式、图示、编程伪码等方式说明了设计实现过程。最后，还通过理论分析和数值仿真实验两种方式对各种调制样式自动分类器的性能进行了比较。部分算法的MATLAB?源代码可从以下网址中得到：https://code.google.com/p/amc-toolbox/。 本书还利用在调制样式自动分类基本原理方面积累的知识，并根据各种调制样式自动分类算法不同的特点，提出了特定军用、民用领域内调制样式自动分类算法的具体实现过程。 由于调制样式自动分类领域还在不断发展，因此本书不可能是终极版或完备版。然而，本书作者依然有如下希冀：研究生在研究性杂志上发表学术论文前，能够充分了解调制样式自动分类领域基本知识；相关领域内的研究人员能够对该领域的总体发展状况有清晰的了解；当前正在研究该领域的研究人员和工程师可将本书用作参考书。 书中舛误难免，万望见谅，预致歉意。我们欢迎任何形式的评论或纠错，烦请发至a.k.nandi@ieee.org或通过其他渠道告知。

第1章 概述 1 1.1 背景 1 1.2 应用 2 1.2.1 军用 2 1.2.2 民用 3 1.3 领域综述与本书内容简介 4 1.4 调制样式与通信系统基础 5 1.4.1 模拟系统及其调制样式 5 1.4.2 数字系统及其调制样式 8 1.4.3 不同信道效应下的接收信号 12 1.5 小结 12 参考文献 12 第2章 调制样式分类信号模型 14 2.1 引言 14 2.2 加性高斯白噪声(AWGN)信道中的信号模型 15 2.2.1 I-Q分量的信号分布 16 2.2.2 信号相位的信号分布 17 2.2.3 信号幅度的信号分布 18 2.3 衰落信道中的信号模型 18 2.4 非高斯噪声信道中的信号模型 20 2.4.1 米德尔顿A类噪声模型 20 2.4.2 对称??稳定模型 21 2.4.3 混合高斯模型 21 2.5 小结 22 参考文献 23 第3章 基于似然的分类器 25 3.1 引言 25 3.2 最大似然分类器 25 3.2.1 加性高斯白噪声信道中的似然函数 25 3.2.2 衰落信道中的似然函数 27 3.2.3 非高斯噪声信道中的似然函数 28 3.2.4 最大似然分类决策 28 3.3 未知信道参数的似然比检验 29 3.3.1 平均似然比检验 29 3.3.2 广义似然比检验 30 3.3.3 混合似然比检验 31 3.4 降低复杂度 32 3.4.1 离散似然比检验与查找表 32 3.4.2 最小距离似然函数 32 3.4.3 非参数似然函数 33 3.5 小结 33 参考文献 33 第4章 基于分布检验的分类器 35 4.1 引言 35 4.2 Kolmogorov–Smirnov(KS)检验分类器 36 4.2.1 KS检验拟合优度 36 4.2.2 单样本KS检验分类器 37 4.2.3 双样本KS检验分类器 39 4.2.4 相位差分类器 39 4.3 克莱默-冯?米塞斯检验分类器 40 4.4 安德森-达令检验分类器 41 4.5 优化的分布采样检验分类器 41 4.5.1 采样位置优化 42 4.5.2 分布采样 43 4.5.3 分类决策标准 43 4.5.4 调制样式分类决策 44 4.6 小结 44 参考文献 45 第5章 调制样式分类的特征 47 5.1 引言 47 5.2 基于信号频谱的特征 47 5.2.1 基于信号频谱的特征 48 5.2.2 基于频谱的具体特征 50 5.2.3 基于频谱特征决策 50 5.2.4 决策门限优化 51 5.3 基于小波变换的特征 52 5.4 基于高阶统计的特征 54 5.4.1 基于高阶矩的特征 54 5.4.2 基于高阶累积量的特征 55 5.5 基于循环平稳分析的特征 56 5.6 小结 57 参考文献 58 第6章 利用机器学习实现调制样式分类 60 6.1 引言 60 6.2 k最近邻分类器 60 6.2.1 构建参考特征空间 60 6.2.2 明确距离定义 61 6.2.3 k最近邻决策 61 6.3 支持向量机分类器 62 6.4 利用逻辑回归实现信号特征组合 63 6.5 利用人工神经网络实现信号特征组合 64 6.6 利用遗传算法实现信号特征选择 65 6.7 利用遗传编程实现信号特征选择与信号特征组合 66 6.7.1 树状结构解 67 6.7.2 遗传算子 68 6.7.3 适应度评价 69 6.8 小结 70 参考文献 70 第7章 盲调制样式分类 72 7.1 引言 72 7.2 利用基于似然分类器实现期望最大化 72 7.2.1 期望值最大化评估器 73 7.2.2 最大似然分类器 75 7.2.3 最小似然距离分类器 75 7.3 最小距离质心估计与非参数似然分类器 76 7.3.1 最小距离质心估计 76 7.3.2 非参数似然函数 78 7.4 小结 79 参考文献 80 第8章 各种调制样式分类器的比较 82 8.1 简介 82 8.2 系统要求及适用的调制样式 82 8.3 加性噪声情况下的分类准确度 84 8.3.1 分类器评价标准 85 8.3.2 加性高斯白噪声信道中的性能比较 85 8.4 信号长度有限情况下的分类准确度 90 8.5 存在相位偏移时的分类鲁棒性 94 8.6 存在频率偏移时的分类鲁棒性 98 8.7 运算复杂度 102 8.8 小结 103 参考文献 103 第9章 民用调制样式分类 104 9.1 引言 104 9.2 对高阶调制样式的分类 104 9.3 链路自适应系统的调制样式分类 105 9.4 多输入多输出(MIMO)系统的调制样式分类 106 9.5 小结 110 参考文献 110 第10章 军用调制样式分类器设计 112 10.1 简介 112 10.2 调制样式池未知情况下的调制样式分类器设计 112 10.3 低检测概率信号调制样式分类器 114 10.3.1 直接序列扩谱信号的调制样式分类 115 10.3.2 FHSS信号的调制样式分类 116 10.4 小结 117 参考文献 117