本文致力于基于神經網絡的通信信號調制類型識別器設計研究。論文提出了一種改進的
BP神經網絡分類器，它采用7個特征參數，可以對CW、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、8QAM、16QAM、4ASK、8ASK共11種調制類型實現正確分類識別。論文討論了方案設計，給出了仿真試驗結果，并將其與其他神經網絡分類器進行了性能比較。
[關鍵詞] 調制類型識別，特征參數，分層結構組合分類器，神經網絡
式是區分不同性質通信信號的一個重要特征，而且調制信號識別廣泛應用于信號確認、干擾辨識、無線電偵聽、信號檢測和威脅分析等領域。隨著通信信號的密度越來越高，調制方式越來越多樣化，在沒有任何先驗知識的情況下，信號的分類識別變得非常困難，因此對調制方式的分類識別成為人們研究的焦點。
調制方式自動識別的關鍵是特征參數提取和識別算法。特征提取部分是調制識別的首要和基本的問題，此問題的很好解決將對分類識別器的要求降低。從識別算法來看，主要分為決策論法和神經網絡(ANN)模式識別法。決策論法是采用假設檢驗理論去解決信號分類問題，該類方法適用于具體某類調制信號識別，識別范圍窄。神經網絡模式識別法是由經典模式識別理論的特征抽取概念而來，具有自組織和自學習能力、推廣能力、智能性、識別速度快等特點有其優越性，能提高正確識別率。若能利用神經網絡的并行運算特點，可實現信號識別的實時處理[1]。一般而言，ANN法所得到的結果要優于決策論法得到的結果。本文針對CW、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、8QAM、16QAM、4ASK、8ASK多種常用模擬數字調制信號，提出采用自適應學習速率動量梯度下降反向傳播算法的神經網絡分類器進行調制識別，并和Levenberg-Marquardt優化算法的BP分類器和概率神經網絡分類器（PNN）進行性能比較。