附錄多載波信號的識別研究國內(nèi)外文獻(xiàn)綜述目錄TOC\o"1-3"\h\u24530多載波信號的識別研究國內(nèi)外文獻(xiàn)綜述 084671.1.1多載波技術(shù)研究現(xiàn)狀 0313921.1.2信號識別算法研究現(xiàn)狀 115996參考文獻(xiàn) 5近年來，隨著5G多載波技術(shù)的發(fā)展，多載波技術(shù)的研究也越來越廣泛。另一方面多載波信號的識別也引起了相關(guān)學(xué)者的注意。下面就與多載波信號識別相關(guān)的多載波技術(shù)發(fā)展、信號識別等相關(guān)問題進(jìn)行綜述。多載波技術(shù)研究現(xiàn)狀濾波器組多載波調(diào)制于1967年由B.Saltzberg[8]提出，但由于當(dāng)時并沒有該調(diào)制方法的相關(guān)理論，所以也沒有人認(rèn)為應(yīng)該稱此調(diào)制方法為濾波器組多載波調(diào)制。除此之外，當(dāng)時沒有成熟的數(shù)字信號處理技術(shù)來使該調(diào)制方法得以實現(xiàn)，因而該調(diào)制方法沒有引起人們的足夠重視。一直到上世紀(jì)80年代，隨著數(shù)字信號處理技術(shù)的不斷豐富與成熟，廣大研究人員才開始重點研究該調(diào)制方法。在1985年，Cimini[9]把OFDM的概念引入蜂窩移動通信系統(tǒng)，為無線OFDM系統(tǒng)的發(fā)展奠定了基礎(chǔ)。OFDM因其具有簡單易實現(xiàn)和高效的頻譜利用率等特點一直作為核心技術(shù)被多種有線和無線接入標(biāo)準(zhǔn)所采納。但是隨著第五代移動通信技術(shù)的到來，面對5G更加多樣化的業(yè)務(wù)類型、更高的頻譜效率和更多的連接數(shù)等需求，OFDM的參數(shù)設(shè)置統(tǒng)一、需要CP對抗多徑和較高的帶外泄露等特征無法滿足5G的需求[10]。目前許多學(xué)者都在積極研究OFDM的替代波形，并有一定的成果。其中FBMC技術(shù)以其旁瓣衰減快、有更高的頻譜利用率以及可以對子載波進(jìn)行靈活的配置、頻譜使用靈活等優(yōu)點被認(rèn)為是未來無線通信系統(tǒng)中候選方案之一[11]。目前國內(nèi)外的許多學(xué)者都對FBMC技術(shù)做了大量的研究，文獻(xiàn)[12]研究了FBMC系統(tǒng)中原型濾波器設(shè)計的優(yōu)化，并將優(yōu)化后的FBMC系統(tǒng)在誤碼率、功率譜密度、計算復(fù)雜度方面與OFDM的性能進(jìn)行了比較。文獻(xiàn)[13]針對FBMC系統(tǒng)提出兩種不同接收機，并獲得較低符號錯誤率。文獻(xiàn)[14]從誤碼率與信噪比的角度對FBMC、F-OFDM、UFMC等幾種傳輸技術(shù)進(jìn)行了性能分析，仿真結(jié)果表明，與其他技術(shù)相比，F(xiàn)BMC技術(shù)具有良好的性能。UFMC由諾基亞和阿朗提出，其核心思想是采用濾波方式處理一組連續(xù)的子載波，其濾波器長度與循環(huán)前綴的長度相同以便保持時域信號的正交性。UFMC的濾波器易于實現(xiàn)，但其缺點在于對頻譜泄漏的抑制效果不太好，運算量比較大的時域卷積導(dǎo)致實時處理能力不強[15]。GerhardFettweis等人[16]于2009年提出了GFDM，其脈沖成形函數(shù)采用非矩形窗函數(shù)，易于實現(xiàn)，不需要復(fù)雜的信道均衡，并且其保護(hù)間隔可以根據(jù)實際應(yīng)用場景需求設(shè)置成不同長度。此外，GFDM非常靈活，可以同時處理任意個子載波。GFDM的缺點主要表現(xiàn)為子載波抗干擾能力的增強等優(yōu)點的提升往往需要通過加大系統(tǒng)的復(fù)雜度作為代價[17]。F-OFDM是由華為在2015年的世界移動通信大會上首先提出的，它是OFDM的進(jìn)一步改進(jìn)。華為在文獻(xiàn)中提出，F(xiàn)-OFDM系統(tǒng)仍然以O(shè)FDM作為它的基本調(diào)制方式，并且在每個子帶中加上濾波器以對各自的發(fā)送信號進(jìn)行濾波，這樣可以降低頻譜的帶外泄漏，從而可以支持豐富的應(yīng)用場景[18]。文獻(xiàn)[19]提供了有關(guān)F-OFDM系統(tǒng)進(jìn)行實際場景的測試數(shù)據(jù)，測試結(jié)果有力地揭示了相比較于F-OFDM系統(tǒng)相比于OFDM系統(tǒng)具有更好的帶外頻譜泄漏抑制性能及良好的異步傳輸性能。文獻(xiàn)[20]分析了頻偏產(chǎn)生的ICI對經(jīng)過多徑衰落信道的OFDM系統(tǒng)和F-OFDM系統(tǒng)性能的影響。信號識別算法研究現(xiàn)狀如下圖1.1所示，信號識別包括信號調(diào)制識別與多載波信號識別。廣義上講，信號多載波方式也看作一種廣義的信號調(diào)制。圖1.1信號識別基本框圖=1\*GB3①信號調(diào)制識別算法信號調(diào)制識別的目的是知道信號的調(diào)制方式和調(diào)制參數(shù)，以便更好地獲得發(fā)送的信息，因此信號的調(diào)制識別問題歷來都是無線通信中至關(guān)重要的步驟。調(diào)制識別算法大致分為兩類，一類是基于最大似然假設(shè)檢驗方法，另一類是基于特征提取的統(tǒng)計模式識別方法[21]。1)最大似然比檢驗的識別方法最大似然的識別方法是從概率論與復(fù)合假設(shè)檢驗的方面去研究信號的調(diào)制方式識別問題[22]。通過對未知信號進(jìn)行似然函數(shù)處理，得到信號的分類統(tǒng)計量和最佳門限值，將統(tǒng)計量與門限值進(jìn)行比較，從而確定信號調(diào)制樣式。這種方法在理論上是最優(yōu)的，并且可以通過分析得到信號的分類性能曲線。但是在實際中存在許多問題，比如計算復(fù)雜度高、似然函數(shù)計算過程需要知道信號的載頻、碼速率等，但這些參數(shù)在非協(xié)作通信中是未知的，按照對未知參數(shù)的處理，最大似然方法主要分為以下三大類：平均似然比檢驗(AverageLikelihoodRationTest,ALRT)、通用似然比測試準(zhǔn)則(GeneralizedLikelihoodRatioTest，GLRT)和混合似然比分類準(zhǔn)則(HybridLikelihoodRationTest,HLRT)[23]。1988年Kim等[24]率先提出了一種基于平均似然比檢驗的調(diào)制識別方法，并在二進(jìn)制相移鍵控(BinaryPhaseShiftKeying，BPSK)和四進(jìn)制相移鍵控(QuadraturePhaseShiftKeying，QPSK)的分類識別中有較好的調(diào)制識別性能。在此之后，Huang等[25]對此方法進(jìn)行改善與優(yōu)化，即便在低信噪比下仍能準(zhǔn)確區(qū)分BPSK和QPSK。Boiteau等[26]通過研究提出了一種基于廣義似然比檢驗(GeneralizedLikelihoodRatioTest，GLRT)的分類方法，該方法是用冪級數(shù)來對似然比函數(shù)作近似，其實現(xiàn)性能與平均似然法類似，但卻減少了計算量，降低了識別的復(fù)雜度。基于GLRT與ALRT兩種算法的融合，Polydoros等[27]通過大量實驗研究首次提出了混合似然法(HybridLikelihoodRationTest，HLRT)分類方法，該方法不僅具有傳統(tǒng)算法的優(yōu)勢，還抑制了碼元的干擾，合理控制了計算量，提高了調(diào)制識別性能?；诒M可能地簡化采樣點數(shù)以避免信號重構(gòu)的理念，李立春等[28]基于多元假設(shè)提出了一種改進(jìn)MPSK信號的似然比識別算法，在保證調(diào)制識別性能的前提下，降低了操作的復(fù)雜性。該類算法的優(yōu)點為調(diào)制識別性能達(dá)到最優(yōu)或者近似最優(yōu)，其缺點在于對信號的先驗信息依賴性強，且對模型失配較為敏感，算法的復(fù)雜度較高，在工程實踐中應(yīng)用性受限。2)基于特征提取的信號調(diào)制識別方法研究基于特征提取的調(diào)制識別算法主要過程為，先提取調(diào)制信號的特征，然后在選擇合適的分類器來實現(xiàn)信號的調(diào)制識別。根據(jù)信號特征提取的方法及分類器選擇的不同，又可分為2種方法，一種是基于傳統(tǒng)的模式識別算法，該算法人工設(shè)計并提取如高階累積量、星座圖、循壞譜及小波變換等特征，選擇聚類及支持向量機等分類器來完成信號的調(diào)制識別。另外一種是基于機器學(xué)習(xí)的調(diào)制識別算法，該方法又可以分為2類，一類為傳統(tǒng)的機器學(xué)習(xí)算法需要事先人工提取特征，再選擇反向傳播（BackPropagation，BP）神經(jīng)網(wǎng)絡(luò)等分類器來完成信號的調(diào)制識別，還有一類為基于深度學(xué)習(xí)的調(diào)制識別算法，該算法的特征是自動提取，并且通過具有深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類器來完成對信號的自動調(diào)制識別[29-31]，具體表述如下。(1)基于特征提取的傳統(tǒng)模式識別方法傳統(tǒng)模式識別算法的方法實際上是一種盲識別算法。在實際的調(diào)制方式識別中，一般采用模式識別的方法。該方法只要通過提取能夠反映信號調(diào)制類型的特征參數(shù)，構(gòu)成不同模式的特征矢量，然后根據(jù)經(jīng)典的模式識別理論進(jìn)行分類、識別。相對于最大似然方法，模式識別方法雖然在理論上是次優(yōu)的。但是實際應(yīng)用中實現(xiàn)復(fù)雜度較低，在先驗知識不足的情況仍能識別多種信號調(diào)制方式，更能適合當(dāng)前各種通信場景下的需求。因此得到國內(nèi)外許多學(xué)者的關(guān)注，從目前的所發(fā)表的文獻(xiàn)來看，模式方法中的特征主要選擇的特征有時域特征和變換域特征，主要包括基于信號瞬時信息特征、基于信號高階累積量特征、基于時頻分析特征、基于星座圖特征、以及基于譜分析特征等。在二十世紀(jì)九十年代，Azzouz和Nandi等[32]提出基于瞬時信息的9個時頻統(tǒng)計特征，在信噪比大于10dB時，實現(xiàn)了對多種模數(shù)信號的有效分類，該方法對以后的信號調(diào)制識別領(lǐng)域的研究產(chǎn)生了很大的影響。文獻(xiàn)[33]提出一種基于信號二、四階累積量對2ASK、4ASK、2PSK、QPSK進(jìn)行分類識別，以及對8PSK和MFSK微分后的四階累積量對其分類識別，在信噪比為8dB時，正確識別率為百分之百。文獻(xiàn)[34]根據(jù)歸一化前后小波變換幅度差異，利用小波變異系數(shù)的不同和相似性特征，對MASK、MFSK、MPSK、MQAM進(jìn)行識別，仿真顯示在信噪比大于2dB時，識別率高達(dá)92.39%以上。在2004年，文獻(xiàn)[35]結(jié)合盲均衡技術(shù)，利用減法聚類思想構(gòu)造接收信號星座圖，并與原有信號星座圖匹配對比，完成了對ASK、QPSK、8PSK和16QAM信號的分類。在1987年，Gardner[36]首次將循環(huán)平穩(wěn)理論用于信號調(diào)制分類問題上，且識別效果出乎意料。(2)基于機器學(xué)習(xí)的調(diào)制識別算法基于機器學(xué)習(xí)的調(diào)制識別算法，該方法可以分為2類，一類為傳統(tǒng)的機器學(xué)習(xí)算法，改算法需要事先人工提取特征，再選擇BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)等分類器來完成信號的調(diào)制識別，還有一類為基于深度學(xué)習(xí)的調(diào)制識別算法，該算法的特征是自動提取，并且通過具有深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類器來完成對信號的自動調(diào)制識別，基于深度學(xué)習(xí)的自動調(diào)制識別，就充分發(fā)揮了自組織、自學(xué)習(xí)機制的優(yōu)勢特征，在不需要先驗信息的前提下，利用非線性函數(shù)便可提取出有效特征，最后利用相匹配的分類器實現(xiàn)準(zhǔn)確識別[37]。YunLin等[38-39]在開展的研究中先提取淺層特征，再通過主成分分析（PrincipalComponentAnalysis，PCA）算法、Fisherface算法等方法，并將KNN、Softmax、深度自編碼網(wǎng)絡(luò)等作為分類器，分別識別MASK、MFSK、MPSK和MQAM等調(diào)制信號，取得了較好調(diào)制識別性能。Gihan等[40]提出一種基于深度學(xué)習(xí)的識別算法，通過提取淺層特征，再借助深度置信網(wǎng)絡(luò)（DeepBeliefNetworks，DBN），對BPSK、QPSK、16QAM等多種信號進(jìn)行仿真分析，結(jié)果顯示，在信噪比0dB的情況下，其識別正確率超過91%；在信噪比5dB的情況下，其識別正確率則超過98%。UhyeonLee等[41]通過提出一種基于光譜圖與深度學(xué)習(xí)的識別算法，利用短時傅里葉變換（ShortTimeFourierTransform，STFT）算法提取信號的光譜圖，并通過深度學(xué)習(xí)實現(xiàn)了譜圖特征自動提取，實現(xiàn)對MFSK、MPSK和MQAM等多種調(diào)制信號的仿真分析。結(jié)果顯示，在信噪比-4dB的情況下，其識別正確率為90%。TimothyJ.O'Shea等[42]基于GNURadio生成可滿足各種情況下的調(diào)制信號數(shù)據(jù)集，然后再利用這些數(shù)據(jù)集在深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork，DNN）、卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）等各種深度神經(jīng)網(wǎng)絡(luò)上實現(xiàn)分類識別，并圍繞卷積層數(shù)、卷積核尺寸、神經(jīng)元數(shù)量與調(diào)制識別性能之間的關(guān)系影響展開了針對性探討與研究。結(jié)果表明，如果信噪比為0，其識別正確率會超過90%。ScottKuzdeba等[43]則在開展的研究中利用TimothyJ.O'Shea等人建立的調(diào)制信號數(shù)據(jù)集，以分層深度神經(jīng)網(wǎng)絡(luò)為分類器實現(xiàn)信號的自動調(diào)制識別，取得了較好的調(diào)制識別性能。Suria等[44]提出一種改進(jìn)的深度CNN網(wǎng)絡(luò)識別算法，通過對傳統(tǒng)CNN網(wǎng)絡(luò)結(jié)構(gòu)添加Droupout層和輔助信息等方法，實現(xiàn)了對MPSK、MQAM等11種調(diào)制信號的分類識別，結(jié)果顯示，在信噪比為-2dB情況下，平均識別正確率超過90%。=2\*GB3②多載波信號識別算法多載波信號識別主要包括單載波、多載波信號之間的識別以及多載波信號識別，下面就分別從這兩方面對此進(jìn)行論述。1)單載波、多載波信號之間的識別在1999年，文獻(xiàn)[45]針對含有加性高斯白噪聲的OFDM信號，率先對此類信號提出了調(diào)制識別算法，該算法通過觀察得到基帶多載波信號具備單載波信號所不存在的近似正態(tài)分布的統(tǒng)計特性，采用高斯性檢測算法，很好地將OFDM信號分離出來。文獻(xiàn)[46]利用OFDM信號近似服從高斯分布，其二階及以上的高階累積量為零，單載波高階累積量不為零來區(qū)分OFDM與單載波調(diào)制信號。文獻(xiàn)[47]提出OFDM和單載波調(diào)制信號的廣義平均模糊函數(shù)(Generalizedaveragefuzzyfunction,GMAF)的特定屬性作為特征，從而對信號進(jìn)行模式識別。文獻(xiàn)[48]推導(dǎo)了FBMC和OFDM信號的二階循環(huán)累積量表達(dá)，在此基礎(chǔ)上，利用二階零次共軛循環(huán)累積量和循環(huán)自相關(guān)截面的算法，成功的完成了單載波、OFDM和FBMC信號的分類識別，并取得較好的分類效果，但該算法的計算量過高。2)多載波信號之間的識別目前，在信號識別領(lǐng)域，國內(nèi)外的學(xué)者們對單載波信號的分類識別進(jìn)行了大量的研究，但是對于OFDM、FBMC等多載波信號的研究卻鮮有文獻(xiàn)，特別是關(guān)于多載波信號類型的識別較少，但隨著新一代移動通信系統(tǒng)的發(fā)展，多載波識別已經(jīng)越來越普遍，因此，對于通信偵查，認(rèn)知無線電等信號處理來說，對多載波信號識別顯得尤為重要。文獻(xiàn)[49]中利用信號功率譜旁瓣衰減的特征來識別多載波調(diào)制，然后利用似然函數(shù)識別子載波調(diào)制，以達(dá)到FBMC/OQAM信號調(diào)制識別的目的，但該方法對噪聲敏感，在低信噪比條件下識別效果不佳。文獻(xiàn)[50]提出了一種基于星座圖投影及似然比檢驗的基于正交振幅調(diào)制的正交頻分復(fù)用(OrthogonalFrequencyDivisionMultiplexing-QuadratureAmplitudeModulation,OFDM-QAM)信號及基于交錯正交振幅調(diào)制的濾波器組多載波(FniterBankMulti-Cairier-OffsetQuadratureAmplitudeModulation,FBMC-OQAM)信號識別算法。當(dāng)信噪比10dB時，其識別正確率可以達(dá)到95%。該算法需要信號的先驗信息，而這些信息在非協(xié)作條件下一般難以獲取。文獻(xiàn)[51]針對OFDM-QAM、FBMC-OQAM、UFMC-QAM等三種多載波信號提出了基于主成分分析(principalcomponentsanalysis,PCA)與卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks,CNN)的多載波識別算法。其中，PCA算法用于實現(xiàn)對多載波信號噪聲抑制，在此基礎(chǔ)上，利用CNN對三類多載波信號的幅度進(jìn)行自動特征提取，并完成類型識別。仿真結(jié)果表明，在信噪比5dB時，該方法的平均識別正確率可以達(dá)到95%以上。該方法信號識別范圍僅限于OFDM-QAM、FBMC-OQAM、UFMC-QAM三種，而且因為引入了深度學(xué)習(xí)框架，需要大量訓(xùn)練樣本，算法具有一定復(fù)雜度，實時性較差使得其在非協(xié)作環(huán)境下應(yīng)用受到限制。參考文獻(xiàn)ADDINNE.Bib[1]GoldsmithG.EirelessCommunication[M],CambridgeUmiversityPress,2005.[2]Farhang-BoroujenyB.OFDMversusfilterbankmulticarrier[J].IEEESignalProcessingMagazine,2011,28(3):92-112.[3]羅瀟景.基于濾波器組的多載波(FBMC)調(diào)制系統(tǒng)的研究及實現(xiàn)[D].四川:電子科技大學(xué).2016.[4]MahamaS.,HarbiY.J.,BurrA.G.,etal.IterativeInterferenceCancellationinFBMC-QAMSystems[C]//2019IEEEWirelessCommunicationsandNetworkingConference(WCNC).Marrakesh,Morocco:IEEE,2019:1-5.[5]BanelliP,BuzziS,ColavolpeG,etai.Modulationformatsandwaveformsfor5Gnetworks:WhowillbetheheirofOFDM?:Anoverviewofalternativemodulationschemesforimprovedspectralefficiency[j].IEEESignalProcessingMagazine,2014,31[6]:80-93.[6]P.Siohan,C.Siclet,LacailleN.AnalysisanddesignofFBMC/OQAMsystemsbasedonfilterbanktheory[J].IEEETransactionsonSignalProcessing,2002,50(5):1170-1183.[7]張煒.數(shù)字通信信號調(diào)制方式自動識別研究[D].湖南:國防科學(xué)技術(shù)大學(xué),2006.[8]SaltzbergB.Performanceofanefficientparalleldatatransmissionsystem[J].IEEETransactionsonCommunicationTechnology,1967,15(6):805-811.[9]CiminiL.Analysisandsimulationofadigitalmobilechannelusingorthogonalfrequencydivisionmultiplexing[J].IEEETransactionsonCommunications,1985,33(7):665-675.[10]陳亮,余少華.6G移動通信關(guān)鍵技術(shù)趨勢初探(特邀)[J].光通信研究.2019,4(5):1-4.[11]G.Wunder,P.Jung,M.Kasparick,etal.5GNOW:non-orthogonal,asynchronouswaveformsforfuturemobileapplications[J].IEEECommunicationsMagazine,2014,52(2):97-105.[12]RaghunadhM.V.,GullapalliR.R.,JagtapH.R.,etal.DesignandSimulationofLTEPrototypeFilterforFilterbankmulticarrier(FBMC)System[C]//2019InternationalConferenceonComputing,PowerandCommunicationTechnologies(GUCON).NCRNewDelhi,India:IEEE,2019:697-702.[13]SinghP.,RaniB.U.,BudhirajaR.,etal.ReceiversforVBLASTFBMC-OQAMSystems[J].IEEECommunicationsLetters,2019,24(4):767-771.[14]RachiniA.S.,JaberM.M.PerformanceofFBMCin5GMobileCommunicationsOverDifferentModulationTechniques[C]//2019InternationalSymposiumonNetworks,ComputersandCommunications(ISNCC).Istanbul,Turkey:IEEE,2019:1-6.[15]B.Farhang-Boroujeny.FilterBankSpectrumSensingforCognitiveRadios[J].IEEETransactionsonSignalProcessing,2008,56(5):1801-1811.[16]G.Fettweis,M.Krondorf,S.Bittner.GFDM-GeneralizedFrequencyDivisionMultiplexing[C].VehicularTechnologyConference,2009.VTCSpring2009.IEEE69th,2009.[17]V.Vakilian,TWild,F.Schaich,etal.Universal-filteredmulti-carriertechniqueforwirelesssystemsbeyondLTE[C].GlobecomWorkshops(GCWkshps).IEEE,2013:223-228.[18]華為技術(shù)有限公司.F-OFDMforInnovateAsiaCompetition[R].5G算法大賽2015.[19]楊凡,曾孝平,周繼華,等.F-OFDM系統(tǒng)的基帶技術(shù)研究[J].重慶理工大學(xué)學(xué)報(自然科學(xué)),2016,30(09):113-117.[20]K.C.Hu,A.G.Armada.SINRanalysisofOFDMandf-OFDMformachinetypecommunication[C].2016IEEE27thAnnualInternationalSymposiumonPersonal,Indoor,andMobileRadioCommunications(PIMRC),Valencia,2016:1-6.[21]C.S.Weaver,C.A.Cole,etc.TheAutomaticClassificationofModulationTypesbyPatternRecognition[R].StanfordElectronicsLab,TechReport,April1969.[22]Z.Yang,S.Ping,H.Sun,andA.-H.Aghvami.CRB-RPL:Areceiver-basedroutingprotocolforcommunicationsincognitiveradioenabledsmartgrid[J].IEEETransactiononVehicularTechnolog,2017,66(7):5985-5994.[23]張賢達(dá),保錚.非平穩(wěn)信號分析與處理[M].北京：國防工業(yè)出版社,1998:323-336.[24]KKim,APolydoros.DigitalModulationClassification:theBPSKversusQPSKcase[C].MilitaryCommunicationsConference,MILCOM88,Conferencerecord.1988:431-436.[25]HuangC,PolydorosA.LikelihoodMethodsforMPSKModulationClassification[J].IEEETransactionsonCommunications,1995,43(2/3/4):1493-1504.[26]F.Benedetto,G.Giunta,E.Guzzon,M.Renfors.Effectivemonitoringoffreeloadinguserinthepresenceofactiveuserincognitiveradionetworks[J].IEEETransactiononVehicularTechnology,2014,63(5):2443-2450.[27]PanagiotouP,AnastasopoulosA,PolydorosA.LikelihoodRatioTestsforModulationClassification[C].IEEEMilitaryCommunicationsConferenceProceedings,2000:670-674.[28]童年,李立春.非重構(gòu)壓縮樣值的MPSK信號最大似然調(diào)制識別[J].信息工程大學(xué)學(xué)報,2015,16(5):579-583.[29]Z.Yang,S.Ping,H.Sun,andA.-H.Aghvami.CRB-RPL:Areceiver-basedroutingprotocolforcommunicationsincognitiveradioenabledsmartgrid[J].IEEETransactiononVehicularTechnolog,2017,66(7):5985-5994.[30]A.K.Nandi,E.E.Azzouz.Automaticidentificationofdigitalmodulationtypes[J].SignalProcessing,1995,47(1):55-69[31]A.K.Nandi,E.E.Azzouz.AlgorithmsforAutomaticModulationRecognitionofCommunicationSignals[J].IEEETransactionsonCommunication,1998,46(4):431-436.[32]A.K.Nandi,E.E.Azzouz.Automaticmodulationrecognitionofcommunicationsignals[M].KluwerAcademicPublisher,1996:25-50.[33]OrlicV.D.,DukicM.L.Automaticmodulationclassificationalgorithmusinghigher-ordercumulantsunderreal-worldchannelconditions[J].IEEECommunicationsLetters,2009,13(12):917-919.[34]LanxunWang,ShutingGuo,CengjuanJia.RecognitionofDigitalModulationSignalsBasedonWaveletAmplitudeDifference[C]//20167thIEEEInternationalConferenceonSoftwareEngineeringandServiceScience(ICSESS),Beijing:IEEE,2016:627-630.[35]王建新,宋輝.基于星座圖的數(shù)字調(diào)制方式識別[J].通信學(xué)報,2004,6,25(6):166-173.[36]GardnerW.A.,SpoonerC.M.Cumulanttheoryofcyclostationarytime-series.I.Foundation[J].IEEETransactionsonSignalProcessing,1994,42(12):3387-3408.[37]HuiWang,LiLiGuo.ANewMethodofAutomaticModulationRecognitionBasedonDimensionReduction[C].2017ForumonCooperativePositioningandService(CPGPS).2017:316-320.[38]XiaoleiZhu,YunLin,ZhengDou.Automaticrecognitionofcommunicationsignalmodulationbasedonneuralnetwork[C].IEEEInternationalConferenceonElectronicInformationandCommunicationTechnology(ICEICT).2016:223-226.[39]JiachenLi,LinQi,YunLin.Researchonmodulationidentificationofdigitalsignalsbasedondeeplearning[C].IEEEInternationalConferenceonElectronicInformationandCommunicationTechnology(ICEICT).2016:402-405.[40]GihanJ.Mendis,JinWei,etc.Deeplearning-basedautomatedmodulationclassificationforcognitiveradio[C].IEEEInternationalConferenceonCommunicationSystems(ICCS),2016:1-6.[41]SinjinJeong,UhyeonLee,SukChanKim.Spectrogram-BasedAutomaticModulationRecognitionUsingConvolutionalNeuralNetwork[C].2018TenthInternationalConferenceonUbiquitousandFutureNetworks(ICUFN),2018,16:843-845[42]TimothyJ.O'Shea,NathanWest.RadioMachineLearningDatasetGenerationwithGNURadio[C].Proceedingsofthe6thGNURadioConference.2016:1-9.[43]KrishnaKarra,ScottKuzdeba,etc.Modulationrecognitionusinghierarchicaldeepneuralnetworks[C].IEEEInternationalSymposiumonDynamicSpectrumAccessNetworks(DySPAN).2017:1-3.[44]KeerthiSuriaKumarArumugam,etc.ModulationRecognitionUsingSideInformationandHybrid