基于深度学习的卫星信号调制识别算法

为实现卫星信号调制方式的分类,提出的高阶累积量与K最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN作为分类器对信号分类。实验结果表明,当信噪比(SNR)高于12 dB时,信号的调制方式可以被高效地识别,并且识别率趋近100%,但需要人工设计和提取特征参数。因此,提出了循环神经网络(Recurrent Neural Network, RNN)的卫星调制信号识别算法,以信号的IQ数据作为模型的输入,通过LSTM进行分时特征提取,全连接层进行分类,最终完成识别。在采样长度等于512,SNR大于4 dB时,识别率趋近100%。与KNN相比,LSTM网络的识别性能更为优越,尤其在低SNR的情况下,可以高效识别6种调制方式。