基于深度学习的常规调制信号与跳频调制信号识别

跳频（Frequency Hopping,FH）调制手段是扩频通信方法中的一类，具有很强的抗干扰性能，被广泛应用在军事通信领域。在战场的强电磁环境中，准确分类识别出跳频信号与常规调制信号，在判断敌我目标属性、实施通信干扰与抗干扰方面具有十分重要的意义。传统基于信号特征提取的跳频信号分类识别手段受信噪比影响大，在低信噪比条件下无法实现有效分类识别。对此，本文利用卷积神经网络实现跳频调制信号与常规调制信号的分类识别。首先通过小波变换得到信号的时频图像，之后将时频图像输入卷积神经网络进行分类识别。实验证明，相比于传统人工特征分类模型，基于卷积神经网络的分类识别模型受信噪比影响小，且分类识别准确率高，在信噪比大于-4 dB条件下，识别成功率达到98%以上。