通信信号调制方式识别方法综述*

曾创展，贾 鑫，朱卫纲

(1.装备学院 研究生管理大队，北京 101416；2.装备学院 光电装备系，北京 101416)

通信信号调制方式识别方法综述*

曾创展1，贾 鑫2，朱卫纲2

(1.装备学院 研究生管理大队，北京 101416；2.装备学院 光电装备系，北京 101416)

对通信信号调制方式的识别进行了深入研究，对通信信号常用的数字调制技术和调制识别预处理技术、理想高斯白噪声条件下基于决策论和基于统计模式的识别法、非理想信道条件下的调制识别法以及对共信道多信号调制方式的识别等进行了总结。在简要介绍各种方法的来源、理论基础和发展基础上讨论了各自的优缺点，并提出了调制识别研究领域的进一步发展方向。

通信信号调制识别 基于决策论 基于统计模式 非理想信道条件下 共信道多信号

0 引 言

调制识别通常位于接收机的前端，在信号检测和信号解调之间，接收方要根据信号的调制方式进行解调才能继续进行下一步操作直至最终获取信号携带的信息。而在诸如无线电检测、侦察、对抗等应用中，侦察方通常缺乏足够的先验知识，如信号的调制参数、方式等，而为了达到区分信号来源、性质、内容等目的，就需要侦察方对信号的调制方式进行正确识别分类。当前，制电磁权已日益成为重要的作战要素，战场电磁环境中存在着大量未知信号，此时人工识别已无法满足信号识别的实时性要求，因而，人们开始研究自动调制识别方法，1969年，C.S.Weaver等人就发表了第一篇关于自动调制识别方法研究的论文[1]，根据信号频谱的差异完成了自动识别。随着通信信号从模拟调制发展为数字调制，调制方式更加复杂多样，调制识别算法的研究成果也越来越多，涉及方法体系也十分广泛。本文从AWGN条件下的调制识别、非理想信道条件下的调制识别以及共信道多信号的调制识别三方面概述了多种识别方法，在对各方法简要介绍的基础上对比讨论了各自的优缺点，展望了调制识别研究领域的进一步发展方向。

1 数字调制技术和识别预处理技术

1.1 通信信号的数字调制技术

通信信号由早期的模拟信号发展到如今常用的数字信号，具备了较强的抗失真、抗干扰能力，并且成本有所降低。然而基带信号受到天线尺寸以及信道带通特性的限制，无法进行远距离传输，且频谱利用率较低，因而常使用各种数字调制方式将信号调制到载频上再进行发送。根据基带波形所控制的不同载波参数，可以将调制类型大致分为振幅键控(ASK)、相移键控(PSK)、频移键控(FSK)和正交振幅调制(QAM)等。

1.2 调制识别预处理技术

进行调制识别通常需要经过三大步骤：信号预处理、确立分类识别准则和分类识别。信号预处理部分是为识别算法而服务的，通过对侦测数据进行信号处理来得到算法所需要的信号模型、参数等先验知识。信号预处理主要包括：正交下变频、中频滤波、信噪比、符号周期、载频等参数估计和符号同步等，通常根据算法的需求进行选择。

2 AWGN条件下的基本识别方法

AWGN条件下的调制识别方法按照识别原理可以大致分为两类：基于统计模式的识别方法和基于决策论的识别方法。

2.1 基于统计模式的调制识别方法

2.1.1 基于统计模式调制识别方法的研究进展

基于统计模式的识别算法由模式识别理论衍生而来。其主要流程为预处理、特征提取和分类，如图1所示。

早期基于统计模式的方法主要是根据信号频域特征的不同来区分各种调制方式[2]：如1988年，M. P. Desinio[3]提出利用信号谱特征来进行调制方式分类。1993年N.Ghani[4]利用AM、QPSK等信号平方谱谱峰数以及功率谱的差异来进行分类。

1995年，E. E. Azzouz、A. K. Nandi[5,6]通过计算信号的瞬时值的统计特征，并利用神经网络[7]作为分类器，完成了多种模拟调制和数字调制信号的识别，为后续研究开辟了新的道路。1998年，X. M. Huo和D. Donoho[8]将星座点间的Hellinger距离作为识别特征。而后，随着电磁环境变得更加复杂以及现代信号处理理论的发展，具有良好抗噪性能的识别特征如高阶统计量等被引入了调制识别领域。2000年，J. Lopatka[9]等人使用高阶矩、A. Swami[10]使用信号高阶累积量进行调制识别。2005年，K. Maliatsos[11]等人引入小波变换来降低噪声的影响并提取信号特征。周晖将分形理论应用到调制识别领域中，以分形集维数作为识别特征[12]，将高维数据空间映射到低维特征空间，降低了复杂度。为提高分类效果，克服神经网络固有的欠学习、过学习缺点，Park Cheol-sun等人使用了支持向量机(SVM)作为分类器[13]，使得识别率明显提高。

2.1.2 基于统计模式的调制识别算法的优缺点

(1)基于统计模式的调制识别方法的优点为理论分析简单，预处理简单易实现，高信噪比时信号特征易提取、适用类型多、识别性能较好。在某些条件下，识别性能能够接近理论最优算法。在预处理精度较差、先验知识较少的非合作通信的环境下，基于统计模式的调制识别方法依旧能够有较好的识别性能。

(2)基于统计模式的调制识别方法的缺点为：算法的识别体系较繁杂，识别框架没有完备的理论基础，因而并不完善；算法通常基于特定的信号样本来提取特征及设定判决门限，因而识别效果受噪声影响较大，当信道不理想时，特征比较模糊。此外，通常还需要额外的训练样本且工程实现较困难，因为算法结合了很多现代信号处理方法，而这些处理方法又大多没有能够实现工程应用或工程实现的效率不高。

2.2 基于决策论的调制识别算法

2.2.1 基于决策论的调制识别方法的研究进展

除基于统计模式的研究之外，很多人也致力于从理论分析上得到调制识别的最优算法。但直到1988年，K. Kim等人[14]提出了ALRT算法，成功分辨出BPSK和QPSK信号，真正开创了以贝叶斯理论为核心的决策论调制识别方法。

基于决策论的调制识别可看成是多重假设检验问题。它是在有背景干扰的条件下对所截获信号的检验统计量(通常采用似然比函数)进行理论推导，寻找合适的门限，然后在贝叶斯代价最小准则下进行判决，因此，又称为似然比检验法(Likelihood Ratio Test, LRT)。LRT方法以最大似然比检验(Maximum Likelihood Ratio Test, MLRT)为基础。基于决策论的调制识别算法框图如图2所示。

MLRT以信号的某些参数作为变量，如信号的均值、方差等，当接收方将这些变量看作随机变量并对其概率密度进行平均处理时，MLRT则转变为平均似然比检验(ALRT)；若将这些变量视作未知的确定参数，通过最大似然估计得到其概率密度，则为广义似然比检验(GLRT)[15]；将上述两者进行综合使用则成为混合似然比检验(HLRT)[16]，可以解决高维计算和网状星座的问题。虽然在2002年W. Wei证明了ALRT是贝叶斯准则下的最优调制分类算法[17]，但在复杂信号场景中，未知变量增多，计算量急剧增大，因而提出了伪似然率检测算法，如quasi-ALRT[18]、quasi-HLRT[19]等，它们采用一些近似手段得到近似LRT，如J. A. Sills[20]、A. Polydoros[18]、C. Y. Huan[21]、C. S. Long[22]等人提出的通过求解匹配滤波器输出信号的似然比函数来对MPSK、MQAM调制进行分类，从而减少了未知参量的个数、降低了计算的复杂度。而为了克服基于似然比算法对复杂预处理的依赖性，Fontes等[23]提出了一种类似然比的算法——基于相关熵的决策论算法，在先验知识未知、信噪比5dB以上、AWGN信道条件下有很好的识别效果。

2.2.2 基于决策论的调制识别算法优缺点

基于决策论的调制识别算法的优点在于其具有完备的理论基础，能够得到识别性能理论曲线，并保证在贝叶斯最小误判代价准则下其分类效果最优，因而可以将其作为理论性能上界，用以检验其他识别方法的性能。此外，由于检测统计量建模中充分考虑了噪声因素，因此在低信噪比下也有较好的性能，并能通过其对信道信息的完备性来改进算法以保证算法在非理想信道下的识别性能。

于决策论的调制识别算法的缺点有：

(1)似然函数推导复杂，未知变量较多时既难以处理，计算量还大。因而通常采用非似然比近似算法，但简化处理会丢失分类信息导致分类性能下降；

(2)适用性差。由于似然函数的参数均是由特定条件下特定信号推导得到的，因而只适用于特定环境的调制识别问题；

(3)需要大量先验知识，在参数估计存在偏差或所建模型与实际信道特性不匹配的情况下，算法性能急剧下降。

3 非理想信道调制识别的研究进展

非理想信道包括通信过程中由于信道传输特性恶化导致的信道衰落，传输过程中反射现象产生的多径效应或者电子对抗中由干扰带来的色噪声、脉冲噪声等非高斯噪声[24]。在这些非理想信道中，一些常用的调制识别方法所设定的条件无法满足，如噪声的高斯性等，因而它们的性能会下降甚至无法进行准确识别。

最初主要是利用决策论方法的信道知识完备性来处理非理想信道中的调制识别问题，如N. Lay等人所使用的GLRT算法[15]、A. Abdi[25]等人针对Rayleigh衰落信道环境下似然函数中未知变量数量太多的情况提出的qHLRT算法等。2009年，F. Hameed，O. A. Dobre等人[26]对似然比函数参数估计的克拉美罗限进行了研究讨论，对比了平衰落信道下各种识别算法的性能，提出了qHLRT-UB算法。而后，逐渐提出了对非理想信道鲁棒性好的识别特征来进行基于统计模式的调制识别。2003年，O. A. Dobre等人利用匹配滤波后的过采样信号计算循环累积量特征矢量[27]应用于非平稳噪声环境中的QAM信号识别。2008年，H. Wu等人改进了四阶累积量特征[28]，引入了信道修正因子，以弥补多径衰落对PSK、QAM识别效果的影响。2009年，V. D. Orlic等人利用同样的改进思路，提出了改进的六阶累积量特征[29]，对PSK类内区分效果优于四阶累积量。

当前在处理非高斯白噪声时，一般采用两种方法：(1)是将色噪声白化，将其转化为高斯白噪声后再进行下一步处理；(2)是将其定义为一种适合描述通信信道噪声的广义高斯分布——Alpha稳定分布噪声[30]，然后利用Alpha稳定分布噪声的特性寻找新的特征进行模式识别。

关于衰落信道下的调制识别可以分为三类[31]：(1)对观测数据直接提取对衰落信道鲁棒性较强的特征参数，当前普遍使用循环高阶累积量；(2)通过盲均衡来补偿信道衰落[32]，对恢复后的数据提取特征；(3)利用多天线的空间分集能力来克服多径干扰。

4 共信道多信号调制识别的研究进展

当前有关文献中，对调制识别的研究基本集中于观察数据中只有一个待识别信号的调制识别问题。而随着无线电的迅猛发展，无线电传输频段日益匮乏，再加上大量有意或无意的干扰信号，在同一信道的观测数据中出现两个或更多信号的情形日益普遍。

共信道多信号是指在一个信道中存在多个时域完全混叠的信号，由于观测数据中混有多个信号，因而已有的单信号调制识别算法不能直接用于多信号的调制识别。虽然信号在时域中是混叠的，但它们在频域、空域或其他域内都可能是可分的，因而处理共信道多信号识别问题主要是针对信号在其他域内的可分性。相关的研究文献主要分为两类：一是基于信号分离的识别方法，主要应用盲源分离的思想，其实质是将多信号问题转化为单信号问题；二是基于直接特征提取的方法，其关键在于寻找信号明显可分的特征域[33]。

第一篇研究多信号调制识别问题的文献是Nagy在1994年发表的，他从观测数据的幅度谱中直接提取各信号的功率谱特征来进行调制识别[34]。1995年，Spooner[35]基于信号周期谱的特征完成了在功率谱上完全重叠的多个信号的调制识别。朱波的硕士论文[36]中提出了基于小波变换利用Haar脊线构建识别特征量的方法。基于循环频率不同时受多个信号时域混叠影响的特性，循环谱、循环累积量被广泛应用于多信号调制识别领域，高玉龙等[37]研究了基于循环谱的共信道多信号调制识别方法，于宁宇等人[38, 39]研究了基于信号循环平稳特性的一系列识别方法。此外，陆明泉[40]则提出了利用观测数据来建立数据的AR和GAR模型，并从模型中提取识别特征的识别方法；王静在她的论文[33]中还将压缩感知理论与高阶循环累积量相结合，在不重构原信号波形的前提下，完成了多信号的调制识别。

而不同于直接提取特征来进行多信号识别的方法，A. Swami等人为了避免多径的影响，提出了用信号分离的方法来实现调制识别[10]。当前常用的信号分离方法有：拟合法、经验模态分解法(EMD) 和独立分量分析法(ICA)。如蔡权伟[41]提出了基于模型拟合、能量算子、时变AR模型和贝叶斯估计等多种方式的多分量信号分离算法，并结合信号包络特征进行FSK和PSK信号的识别；Zhou Zhiyu等人[42]提出了基于独立分量分析的共信道多信号调制识别方法；王立东等人[43]提出了类似的识别方法，结合六种单信号分类特征，可识别的信号簇更丰富。

5 未来发展方向

基于目前的研究可以看出，调制识别研究已比较成熟，根据不同的应用条件、不同的应用需求，提出了大量的算法，能够基本满足信号调制识别的研究需求。但当前大量的算法还只能工作于5dB以上的信噪比环境且工程实现上有较大困难，而在非理想信道、共信道多信号方面可采用的方法又比较单一。因而还有如下问题值得研究：

(1)低预处理要求的识别算法。当前算法大多需要或默认待识别信号已经进行了精确同步，一些算法还要求信号的参数已知。但在非合作条件下，先验知识不足，预处理过程往往不能得到精度较高的参数估计、定时同步、载波恢复，进而导致这些算法的识别结果严重恶化。因此研究低预处理要求的算法，对非合作条件下的调制识别十分重要。

(2)适合于非理想信道、共信道多信号的识别算法。当前用于非理想信道、共信道多信号的识别算法大多是基于信号的循环平稳特性，方法较为单一，且无论是使用循环谱还是循环高阶统计量，都存在计算量大、特征难提取的难题，且针对此类算法的DSP器件运行效率也无法满足大量数据实时识别的要求，因而此类算法在工程实现上有较大的困难。实际上，当前大量场所还是使用易于实现的功率谱识别方法，而较为精确的其它识别算法都难以应用。

(3)提升算法效果与完成工程实现相结合的算法。现有分类算法识别信号集互相交叠，识别过程有时过于复杂，造成算法整体效果下降。因此需要简化处理过程。此外，鉴于无线电空间中信号数据的带宽越来越大，需要实时处理的数据也越来越多，如何完成算法的工程实现也是在设计算法时需重点考虑的因素。

[1] Weaver C S, Cole C A, Krumland R B, et al. The automatic classification of modulation types by pattern recognition[R]. Stanford Electronics Laboratories, 1969.

[2] 邓璋，徐以涛，王乃超. 基于信号谱线特征的调制方式识别[J]. 通信技术. 2013(1): 7-9. Deng Zhang, Xu Yitao, Wang Naichao. Modulation Recognition based on Signal Spectral Line Features[J]. Communications Technology. 2013(1): 7-9.

[3] Desimio M P, Prescott G E. Adaptive generation of decision functions for classification of digitally modulated signals[C]// Aerospace and Electronics Conference, 1988. NAECON 1988., Proceedings of the IEEE 1988 National. 1988: 1010-1014.

[4] Ghani N, Lamontagne R. Neural networks applied to the classification of spectral features for automatic modulation recognition[C]// Military Communications Conference, 1993. MILCOM '93. Conference record. Communications on the Move., IEEE. 1993: 111-115.

[5] Nandi A K, Azzouz E E. Algorithms for automatic modulation recognition of communication signals[J]. 1998, 46(4): 431-436.

[6] K A E E N. Automatic identification of digital modulation types[J]. 1995, 47(01): 55-69.

[7] Nandi A K, Azzouz E E. Modulation recognition using artificial neural networks[J]. Signal Processing. 1997, 56(2): 165-175.

[8] Xiaoming H,Donoho D. A simple and robust modulation classification method via counting[C]// Acoustics, Speech and Signal Processing, 1998. Proceedings of the 1998 IEEE International Conference on. 1998:3289-3292.

[9] Lopatka J, Pedzisz M. Automatic modulation classification using statistical moments and a fuzzy classifier[C]// Signal Processing Proceedings, 2000. WCCC-ICSP 2000. 5th International Conference on. 2000:1500-1506.

[10] Swami A, Sadler B M. Hierarchical digital modulation classification using cumulants[J]. 2000,48(3):416-429.

[11] Maliatsos K, Vassaki S, Constantinou P. Interclass and Intraclass Modulation Recognition using the Wavelet Transform[C]// Personal, Indoor and Mobile Radio Communications, 2007. PIMRC 2007. IEEE 18th International Symposium on. 2007: 1-5.

[12] 周晖. 低信噪比下数字调制信号盲识别研究[D]. 电子科技大学, 2010. Zhou Hui. Research on Blind Identification of Digital Signals in Low SNR[D]. University of Electronic Science and Technology of China, 2010.

[13] Cheol-Sun P, Jun-Ho C, Sun-Phil N, et al. Automatic Modulation Recognition of Digital Signals using Wavelet Features and SVM[C]// Advanced Communication Technology, 2008. ICACT 2008. 10th International Conference on. 2008: 387-390.

[14] Kim K, Polydoros A. Digital modulation classification: the BPSK versus QPSK case[C]// Military Communications Conference, 1988. MILCOM 88, Conference record. 21st Century Military Communications - What's Possible? 1988 IEEE. 1988: 431-436.

[15] Lay N E, Polydoros A. Modulation classification of signals in unknown ISI environments[C]// Military Communications Conference, 1995. MILCOM '95, Conference Record, IEEE. 1995: 170-174.

[16] Chugg K M, Chu-Sieng L, Polydoros A. Combined likelihood power estimation and multiple hypothesis modulation classification[C]// Signals, Systems and Computers, 1995. 1995 Conference Record of the Twenty-Ninth Asilomar Conference on. 1995:1137-1141.

[17] Wen W, Mendel J M. Maximum-likelihood classification for digital amplitude-phase modulations[J]. 2000, 48(2): 189-193.

[18] Polydoros A, Kim K. On the detection and classification of quadrature digital modulations in broad-band noise[J]. 1990, 38(8): 1199-1211.

[19] 鲍丹. 非理想条件下的调制分类问题[D]. 西安电子科技大学, 2007. Bao Dan. Modulation Classification in Nonideal Environments[D]. Xidian University, 2007.

[20] Sills J A. Maximum-likelihood modulation classification for PSK/QAM[C]// Military Communications Conference Proceedings, 1999. MILCOM 1999. IEEE. 1999: 217-220.

[21] Chung-Yu H, Polydoros A. Likelihood methods for MPSK modulation classification[J]. 1995, 43(2/3/4): 1493-1504.

[22] Long C S, Chugg K M, Polydoros A. Further results in likelihood classification of QAM signals[C]// Military Communications Conference, 1994. MILCOM '94. Conference Record, 1994 IEEE. 1994: 57-61.

[23] Fontes A I R, Pasa L A, de Sousa V A, et al. Automatic Modulation Classification Using Information Theoretic Similarity Measures[C]// Vehicular Technology Conference (VTC Fall), 2012 IEEE. 2012: 1-5.

[24] Dobre O A, Abdi A, Bar-Ness Y, et al. Survey of automatic modulation classification techniques: classical approaches and new trends[J]. 2007,1(2):137-156.

[25] Abdi A, Dobre O A, Choudhry R, et al. Modulation classification in fading channels using antenna arrays[C]// Military Communications Conference, 2004. MILCOM 2004. 2004 IEEE. 2004: 211-217.

[26] Hameed F, Dobre O A, Popescu D C. On the likelihood-based approach to modulation classification[J]. 2009, 8(12): 5884-5892.

[27] Dobre O A, Bar-Ness Y, Wei S. Higher-order cyclic cumulants for high order modulation classification[C]// Military Communications Conference, 2003. MILCOM '03. 2003 IEEE. 2003: 112-117.

[28] Hsiao-Chun W, Saquib M, Zhifeng Y. Novel Automatic Modulation Classification Using Cumulant Features for Communications via Multipath Channels[J]. 2008, 7(8): 3098-3105.

[29] Orlic V D, Dukic M L. Automatic modulation classification algorithm using higher-order cumulants under real-world channel conditions[J]. 2009, 13(12): 917-919.

[30] 杨伟超. Alpha稳定分布噪声下通信信号调制识别研究[D]. 哈尔滨工程大学, 2012. Yang Weichao. Modulation Recognition for Communicationn Signals in the Alpha-stable Distribution Noise[D]. Harbin Engineering University, 2012.

[31] 廖红舒. 通信侦察信号处理关键技术研究[D]. 电子科技大学, 2011. Liao Hongshu. A Study of Key Technologies of Signal Processing for Communication Reconnaissance[D]. University of Electronic Science and Technology of China, 2011.

[32] Paris B P, Orsak G C, Hongda C, et al. Modulation classification in unknown dispersive environments[C]// Acoustics, Speech, and Signal Processing, 1997. ICASSP-97., 1997 IEEE International Conference on. 1997: 3853-3856.

[33] 王静. 压缩采样条件下的多信号检测与调制参数估计[D]. 解放军信息工程大学, 2013. Wang Jing. Detection and Modulation Parameters Estimation of Multi-Signals Under Compressed Sampling[D]. The PLA Information Engineering University, 2013.

[34] 王青红. 共信道多信号的检测与调制分析技术研究[D]. 解放军信息工程大学, 2012. Wang Qinghong. Research on Detection and Modulation Analysis Techniques for Co-Channel Multi-Signal[D]. The PLA Information Engineering University, 2012.

[35] Spooner C M. Classification of co-channel communication signals using cyclic cumulants[C]// Signals, Systems and Computers, 1995. 1995 Conference Record of the Twenty-Ninth Asilomar Conference on. 1995:531-536.

[36] 朱波. 基于小波的单信道时频重叠信号参数分析与实现研究[D]. 电子科技大学, 2010. Zhu Bo. Research on the Parameter Analysis and Implementation for Single-channel Time-frequency Overlapped Signal Based on Wavelet[D]. University of Electronic Science and Technology of China, 2010.

[37] 高玉龙，张中兆. 基于循环谱的同信道多信号调制方式识别[J]. 高技术通讯. 2007, 17(8): 793-797. Gao Yulong, Zhang Zhongzhao. Modulation Recognition of Multisignal in the Same Channel Based on Cyclic Spectral Correlation[J]. Chinese High Technology Letters. 2007, 17(8): 793-797.

[38] 于宁宇，马红光，石荣等. 基于循环谱包络的共信道多信号参数估计[J]. 西南交通大学学报. 2011, 46(2): 303-309. Yu Ningyu, Ma Hongguang, Shi Rong, et al. Parameter Estimation of Co-Channel Multi-Signals Based on Cyclic Spectrum Amplitude[J]. Journal of Southwest Jiaotong University. 2011, 46(2): 303-309.

[39] Ningyu Y, Hongguang M, Rong S. Modulation recognition of co-channel OQPSK and MSK based on cyclostationarity[C]// Information Management and Engineering (ICIME), 2010 The 2nd IEEE International Conference on. 2010: 284-287.

[40] 陆明泉. 多信号的调制识别技术研究[D]. 电子科技大学, 2008. Lu Mingquan. Reserch on the Technology of Multi-Signal Modulation Recognition[D]. University of Electronic Science and Technology of China, 2008.

[41] 蔡权伟. 多分量信号的信号分量分离技术研究[D]. 电子科技大学, 2006. Cai Quanwei. Research on Separation of Signal Components of Multicomponent Signal[D]. University of Electronic Science and Technology of China, 2006.

[42] Zhou Z, Chen H, Liu N. Automatic recognition of multiple interferences and signals in the same channel based on ICA[C]// Radar Conference, 2009 IET International. 2009: 1-4.

[43] 王立东，张晓林，孔挺. 基于ICA和SVM的混合通信信号调制方式识别[J]. 仪器仪表用户. 2011, 18(2): 62-65. Wang Lidong, Zhang Xiaolin, Kong Ting. Mixed Communication Signals Modulation Mode Identification Based on ICA and SVM[J]. Electronic Instrumentation Customer. 2011, 18(2): 62-65.

ZENG Chuang-zhan(1990- ), male, graduate student, majoring in modern signal processing theory and applications.

贾 鑫(1958—)，男，硕士，教授，研究方向为现代信号处理理论与应用；

JIA Xin(1958- ), male, M.Sci., professor, majoring in modern signal processing theory and applications.

朱卫纲(1973—)，女，博士，副教授，研究方向为现代信号处理理论与应用。

ZHU Wei-gang(1973-), female, Ph.D., associate professor, mainly engaged in modern signal processing theory and applications.

Modulation Classification of Communication Signals

ZENG Chuang-zhan1,JIA Xin2,ZHU Wei-gang2

(1.Department of Graduate Management, Equipment Academy, Beijing 101416, China;2.Department of Optical and Electronic Equipment, Equipment Academy, Beijing 101416,China)

The paper describes the in-depth research on modulation classification of the communication signals, summarizes the commonly-used digital modulation mode and the pretreatment technology, the likelihood-based and feature-based modulation classification in AWGN channel, and the modulation classification in the non-ideal channel as well as multi-signal modulation recognition method under the co-channel condition. Based on the brief introduction of each algorithm’s source, theoretical foundation and development, the advantages and disadvantages of these algorithms are compared, and the development direction of modulation classification research is also forecasted.

modulation classification of communication signals; likelihood-based method; feature-based method; the non-ideal channel; multiple-signals under the co-channel condition

date:2014-10-07；Revised date：2015-01-30

TN76;TN911

A

1002-0802(2015)03-0252-06

曾创展(1990—)，男，硕士研究生，研究方向为现代信号处理理论与应用；

10.3969/j.issn.1002-0802.2015.03.002

2014-10-07；

2015-01-30