近日，中国科学院国家授时中心在高阶调制识别领域取得进展，研究人员提出了一种基于特征工程的传统特征提取和深度学习自动特征提取融合的多特征提取方法，更好的解决了高阶调制方式间容易混淆的问题，提高了高阶调制的识别准确率。

自动调制识别是民用和军用领域的关键技术。尽管深度学习在精度上已超越传统方法，但高阶调制信号的识别仍具挑战性。为此，研究提出一种多特征提取框架，通过将新型轻量级神经网络提取的深度特征与提出的频谱二次特征/去噪高阶统计特征直接拼接融合。

信噪比与所有调制信号集及高阶调制信号集的平均分识别准确率如图1所示。可以看出：当SNR处于0-4 dB区间时，所提方法性能大幅优于FEAT算法。在4dB条件下，所提特征提取框架对所有调制信号集的平均识别准确率达96.47%，较PETCGDNN和FEAT分别高出3.83%和2.43%。此外，所提融合模型对高阶调制信号集在4 dB条件下的平均识别准确率为93%，较PETCGDNN和FEAT网络分别高出7%和5%。该模型在8dB条件下对高阶调制信号集的识别准确率达99.6%，较FEAT网络高1.2%。

图1不同方法在信噪比下的的识别准确率

相关研究成果以《A novel multi-feature extraction based automatic modulation classification》发表在学术期刊Journal of Systems Engineering and Electronics。