脉冲噪声环境下的调制识别算法

来源：信号处理杂志 2024年第8期北京时间：

作者：李欣然, 李春国, 明钰婷, 潘怡瑾

摘要：自适应调制可以根据信道的变化动态地调整调制方式，从而最大化利用信道传输能力。调制识别是在自适应调制后在接收端判别出调制方式，并且为解调器正确选择解调算法的关键步骤。传统调制识别算法大多适用于加性高斯白噪声信道场景，然而在很多通信场景中除了高斯噪声外，还存在具备脉冲特性的非高斯噪声，目前最常用的噪声模型包括米德尔顿A类（Middleton Class A）噪声模型，对称α 稳定分布（symmetric α stable， SαS）噪声模型， 高斯混合模型，其中最典型的米德尔顿A类噪声模型。过往研究成果在遇到脉冲噪声条件下，通常较难实现有效调制识别，因此本文将米德尔顿A类噪声系统中的调制识别方案作为主要研究方向。考虑到这些脉冲噪声的概率密度函数较为复杂，本文提出了一种依靠卷积神经网络实现调制识别的算法。为了充分提取信号的调制特征，本文采用双层卷积块结构，每个卷积块内部包含卷积层、归一化层、激励层和池化层四部分，经过两次卷积的结果送入全连接层和Softmax层，最终得到调制模式的概率值，进而有效地识别出发送端的调制方式。在实际仿真过程中，随着训练的进行，接收端准确率逐步提升。通过观察BPSK、QPSK、8PSK、16QAM这四种调制方案在不同信噪比下的识别准确率，发现所提出的方案的调制识别准确性始终优于单个卷积块网络，在1 dB左右的SNR的条件下便可以达到接近100%的训练准确率。实验结果表明，此方案的识别准确率优于其他识别方案，且在另外两种典型噪声模型条件下仍具有较高识别准确，充分验证了算法的有效性和实用价值。

关键词：调制识别, 脉冲噪声, 米德尔顿A类噪声, 卷积神经网络