基于深度学习和特征融合的数字信号调制识别技术研究

一、绪论

随着通信技术发展，复杂电磁环境中数字信号调制方式日益多样，精准识别调制类型对信号解调、频谱监测至关重要。传统基于手工特征的识别方法在低信噪比下性能衰减明显，单一深度学习模型受限于特征表征能力，难以兼顾不同调制信号的时频与时序特性。为此，本文提出基于特征融合的深度学习模型，通过多源特征提取捕捉信号多维信息，设计融合网络架构实现特征互补，结合优化策略提升模型鲁棒性与识别精度，旨在为复杂场景下的数字信号调制识别提供更可靠的技术支撑。

二、相关基础理论

（一）数字信号调制类型及特征

数字信号调制是将数字信息加载到载波上的过程，不同调制方式具有独特的信号特性。常见的调制方式包括幅度键控（ASK）、频移键控（FSK）、相移键控（PSK）和正交幅度调制（QAM）等。ASK 通过载波幅度的变化传递信息，信号在时域呈现不同幅度的脉冲序列，频域中主瓣能量集中，易受噪声影响；FSK 利用不同频率的载波代表不同数字符号，时域表现为频率跳变，频域呈现多个离散的频率分量；PSK 通过载波相位的改变传递信息，如 BPSK 使用 0^∘ 和 180^∘ 相位，QPSK 使用 4 种相位状态，其相位变化在时频域具有明显的跳变特征；QAM 结合幅度和相位调制，能在有限带宽内传输更多信息，信号星座图呈现多星座点分布。时频域特征可通过STFT、CWT 等方法提取，反映信号在时间和频率上的联合分布；统计特征如均值、方差、高阶累积量等，则从信号的统计分布规律角度描述其特性，为信号识别提供多维度依据。[1]

（二）评价指标与数据集

评价指标与数据集是衡量模型性能和开展实验的基础。常用的评价指标包括识别准确率，即正确识别的样本数占总样本数的比例，直观反映模型的整体识别能力；混淆矩阵通过行列分别对应实际类别和预测类别，清晰展示各类别之间的混淆情况，便于分析模型对特定类别的识别难点；计算复杂度则从模型参数数量、运算次数等方面衡量模型的计算效率，关系到模型的实时性和部署可行性。

三、基于特征融合的深度学习模型设计

（一）多源特征提取模块

多源特征提取模块通过多样化方法从信号中挖掘信息，为融合奠定基础。时频图像特征提取是关键步骤，短时傅里叶变换（STFT）经滑动时间窗分段处理信号，组合成“时间-频率-幅值”三维矩阵并可视化，但固定窗口使时间与频率分辨率难以兼顾；连续小波变换（CWT）利用可伸缩小波基函数与信号卷积，生成自适应分辨率的时频分布，更适合非平稳信号，二者将抽象特征转化为直观图像纹理，为 CNN 提取空间特征奠定基础。特征标准化与维度适配是融合前提，通过Z-score 或Min-Max 消除量纲差异，针对时频图像与统计特征的维度差异，采用全连接层映射或池化层压缩实现维度匹配，确保特征在数值尺度和维度上一致，为后续融合提供兼容输入。[2]

（二）融合网络架构设计

融合网络架构设计通过多层次结构实现多源特征的高效整合与决策输出。基于 CNN-LSTM 的主干网络采用并行分支处理不同特征：CNN 分支以3×3 卷积核捕捉时频图像的局部纹理与边缘，经池化层降维后生成空间语义特征向量；LSTM 分支借助门控机制处理时域统计特征，通过记忆细胞存储长期信息，捕捉信号时序趋势，两分支并行保留空间细节与动态特性，为融合提供丰富基础。分类器作为决策单元，通过 1-2 层全连接层将融合特征映射至类别维度，经 softmax 转化为概率分布，结合 dropout 平衡复杂度与泛化能力，实现精准分类。

（三）模型训练策略

模型训练策略通过多维度方法保障模型性能与泛化能力。损失函数选用交叉熵损失，针对多类别任务，以公式 一yg计算预测概率与 one-hot 真实标签的差异，对错误预测施加显著惩罚，相比均方误差收敛更快，且与 softmax 输出兼容，避免梯度消失，为参数优化提供有效指引。优化器与学习率调整采用 Adam 优化器，结合动量法（ AA₁=0.9 ）与自适应学习率（ β₂=0.999 ），适配高维参数空间；学习率初始设为 0.001，通过余弦退火或 ReduceLROnPlateau 动态调整，平衡收敛速度与稳定性。正则化与防过拟合措施构建稳健框架，L2 正则化添加权重惩罚项抑制过拟合，Dropout 随机丢弃神经元增强鲁棒性，数据增强通过图像变换和信号扰动扩充样本，早停策略监控验证损失防止过度拟合，批归一化则加速收敛并提升泛化能力，多方协同保障模型训练效果。[3]

（四）模型结构优化与消融实验

模型结构优化旨在通过迭代调整提升性能，消融实验则验证各模块的必要性。针对网络深度与宽度进行优化，通过对比不同卷积层数量（如 3层、5 层 CNN）和 LSTM 隐藏单元数（如 64、128）的模型表现，确定参数配置的最优组合，在精度与效率间取得平衡。消融实验逐一移除特征融合模块中的关键组件（如注意力机制、跨层融合策略），对比模型性能衰减幅度：移除注意力机制后，对相似调制信号（如16QAM 与 64QAM）的识别准确率下降 5%-8% ，证明其对特征权重分配的重要性；取消跨层融合则导致中低信噪比下精度降低约 10% ，验证多层融合对特征互补的作用。

四、总结与展望

本文研究基于深度学习和特征融合的数字信号调制识别技术，通过多源特征提取、融合网络架构设计及模型优化，有效提升了复杂噪声环境下的识别精度。实验验证了多源特征融合与注意力机制的有效性，模型性能优于单一特征模型及主流算法。未来可探索更高效的特征融合策略，拓展模型对新型调制方式的适应性，并研究轻量化模型设计以满足实时性需求，进一步推动该技术在实际通信场景中的应用。

参考文献：

[1]裴晓敏,范慧杰,唐延东.时空特征融合深度学习网络人体行为识别方法[J].红外与激光工程,2018,47(2):6.DOI:10.3788/IRLA201847.0203007.

[2]张新生,王哲.结合深度学习与特征多尺度融合的微钙化簇检测[J].模式识别与人工智能,2018,31(11):12.DOI:10.16451/j.cnki.issn1003-6059.201811007.

[3]李聪聪,袁子龙,滕桂法.基于深度学习的时空特征融合网络入侵检测模型研究[J].信息安全研究,2025,11(2):122-129.DOI:10.12379/j.issn.2096-1057.2025.02.04.

李永强(199-5)，男，汉族，山东省东营市广饶县，助理工程师，硕士研究生研究方向：软件设计研发