基于深度学习的跳频信号调制识别技术研究.pdf

基于深度学习的跳频信号调制识别技术研究

摘要

跳频通信是一种主要的扩频技术手段，通过一个伪随机变化的码序列控制载波频率

跳变，因此具有很强的抗干扰和抗截获能力，被广泛应用于军事通信和民用通信领域。

跳频信号的调制识别作为跳频通信侦察中的一项关键技术，已经成为跳频通信技术的研

究热点之一，其识别准确性能够直接影响后续的解调结果。当前信息化战场中电磁环境

愈加复杂，信号调制种类也越来越多，针对跳频信号具有高度非平稳特性导致的识别准

确率低、鲁棒性差等问题本文对其调制识别技术开展了研究，主要内容如下：

首先，本文提出了一种基于卷积神经网络的跳频信号调制识别算法，分别将时域跳

频信号转换到时频图域和拓扑图域进行特征提取与调制识别。在时频域采用SPWVD对

信号进行时频变换得到时频图，经过卷积去噪自编码器滤除部分背景噪声，提高数据的

抗噪性，并使用传统卷积神经网络提取其时频特征进行调制识别。仿真实验表明，在0dB

时平均识别准确率可以达到97.33%；在拓扑图域利用跳频信号频率跳变的特性将每个

跳频频点的信号作为拓扑图节点，同时提取每个节点的双谱特征和幅相特征构建节点特

征矩阵并计算特征相关性构建邻接矩阵，实现跳频信号到拓扑图信号的转换，设计图卷

积神经网络提取信号图特征进行调制识别。仿真实验表明，在低信噪比下能够取得更好

的识别效果，-8dB可以达到82.5%，相比时频域的识别方法提高了5.17%。

其次，本文根据基于跳频信号时频图特征与拓扑图特征的识别算法表现出的不同优

势，提出了一种基于多模态特征融合的调制识别算法。在传统卷积神经网络模型中引入

深度可分离卷积层以提高系统实时性，在图卷积神经网络模型中引入多头注意力机制以

提高模型鲁棒性，利用两种模型分别提取时频图特征和拓扑图特征进行融合并用支持向

量机对跳频信号进行调制识别。仿真结果表明，在信噪比为-8dB时能达到93.17%的识

别准确率。

最后，本文基于GNU-Radio软件开发平台和USRP软件无线电设备搭建了跳频通

信系统，采集了10种调制方式的跳频信号对本文的识别算法进行测试，同时与基于深

度学习模型的时域识别算法进行了对比，本文基于多模态特征融合的识别算法优于其他

算法，其平均识别准确率达到了98.30%。

关键词：跳频信号；调制识别；时频变换；图卷积神经网络；特征融合

基于深度学习的跳频信号调制识别技术研究

ABSTRACT

Frequencyhoppingcommunicationisamajormeansofspread-spectrumtechnology,

whichcontrolsthefrequencyhoppingofitscarrierwavethroughapseudo-randomchanging

codesequence,Therefore,ithasstronganti-interferenceandanti-interceptioncapabilitiesand

iswidelyusedinmilitaryandciviliancommunicationfields.Modulationrecognitionof

frequencyhoppingsignals,asakeytechnologyinfrequencyhoppingcommunication

reconnaissance,hasbecomeoneoftheresearchhotspotsinfrequencyhoppingcommunication

technology,anditsrecognitionaccuracycandirectlyaffectthesubsequentdemodulationresults.

Inthecurrentinformationbattlefield,theelectromagneticenvironmentisincreasinglycompl