在無(wú)線電監(jiān)測(cè)技術(shù)領(lǐng)域中，信號(hào)調(diào)制類型識(shí)別是重要工作內(nèi)容之一，傳統(tǒng)識(shí)別手段包括基于似然比判決方法、基于統(tǒng)計(jì)模型提取特征等。

公司研發(fā)部門開(kāi)發(fā)了一種有別于常規(guī)識(shí)別、基于統(tǒng)計(jì)模型的識(shí)別方法。其工作原理簡(jiǎn)單描述為：首先，對(duì)未知類型的信號(hào)進(jìn)行帶寬估計(jì)；其次，在時(shí)域、頻域以及循環(huán)譜相關(guān)函數(shù)域提取特征值，使用決策樹(shù)或神經(jīng)網(wǎng)絡(luò)等模式識(shí)別算法進(jìn)行信號(hào)類型識(shí)別；最后，計(jì)算信號(hào)類型、碼率等結(jié)果?；诮y(tǒng)計(jì)值的決策樹(shù)的示例圖，如下所示：

圖1 基于統(tǒng)計(jì)值的識(shí)別方法的決策樹(shù)

近年來(lái)，以“深度學(xué)習(xí)”為代表的的AI技術(shù)在搜索技術(shù)、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、機(jī)器翻譯、自然語(yǔ)言處理、圖像處理、人臉識(shí)別等諸多領(lǐng)域都有著廣泛的應(yīng)用，逐漸在社會(huì)各領(lǐng)域中成為了研究熱點(diǎn)。這些技術(shù)進(jìn)步推動(dòng)了行業(yè)的發(fā)展，同時(shí)也深度改變了人們的生活。

“深度學(xué)習(xí)”在各行各業(yè)中發(fā)揮著重要作用，在無(wú)線電監(jiān)測(cè)的信號(hào)調(diào)制類型識(shí)別中，基于“深度學(xué)習(xí)”的識(shí)別算法也取得了理想效果?！吧疃葘W(xué)習(xí)”參考了人體的神經(jīng)結(jié)構(gòu)，使用多個(gè)感知器層搭建深層網(wǎng)絡(luò)，然后通過(guò)大量先驗(yàn)數(shù)據(jù)對(duì)網(wǎng)絡(luò)的參數(shù)進(jìn)行訓(xùn)練，通過(guò)網(wǎng)絡(luò)在訓(xùn)練中不斷的進(jìn)行特征提取和學(xué)習(xí)，最終我們就能得到性能良好的分類器。研究表明，基于“深度學(xué)習(xí)”的調(diào)制類型識(shí)別方法，在性能上較傳統(tǒng)方法有了明顯的提升，可用于各種信號(hào)制式的識(shí)別，甚至是發(fā)射源類型的識(shí)別。

圖2 深層神經(jīng)網(wǎng)絡(luò)示意圖

同時(shí)，還應(yīng)注意到“深度學(xué)習(xí)”在學(xué)習(xí)階段需要復(fù)雜和大量的計(jì)算，但是在識(shí)別階段僅需要有限的運(yùn)算量，即使在低性能的設(shè)備上依然能體現(xiàn)高效的識(shí)別能力，這也為這項(xiàng)技術(shù)在無(wú)線電監(jiān)測(cè)行業(yè)中的廣泛應(yīng)用打下了良好的基礎(chǔ)。