无线电信号调制方式识别是指在没有充足的先验知识情况下,通过对接收信号的分析和处理,从而确定接收信号调制方式的技术。随着现代无线通信技术的不断发展,无线电信号调制方式识别在频谱监测过程中变得愈加困难。在电磁环境与无线电信号特征日益复杂的情况下,提高无线电信号调制方式识别效率与准确率是无线电监测领域的研究热点。近年来,随着深度学习算法的热潮,研究人员着手探究深度学习算法在频谱监测领域中的应用,大量的实验数据和实验结果表明,结合深度学习的信号调制方式识别算法不仅能够充分利用海量数据,还能够消除手动提取特征的专业成本和人工成本,而且有效改善调制方式识别精度。本文针对基于深度学习的无线电信号调制方式识别算法展开研究。首先对信号调制方式识别的背景和其研究意义进行简单叙述,然后介绍了基于传统的和深度学习的识别算法的相关知识,最后根据目前已有的基于深度学习的识别算法存在的问题和不足,提出了基于Transformer网络和基于终身学习思想的无线电信号调制方式识别算法。1.基于Transformer网络的无线电信号调制方式识别算法基于卷积神经网络的深度学习算法虽然取得了不错的识别结果,但是对信号的全局信息把握的不是很好,而且并行计算能力较弱。针对此问题,提出一种基于Transformer网络的深度学习算法,该算法主要利用自注意力机制来动态建立信号时间特征序列的重要程度,可以有效地提高序列与序列之间的关系,从而提取更重要的特征,而且Transformer中的自注意力机制允许每个时间步进行并行计算从而提高模型的训练速度。实验结果表明,该算法在RML2016.10a数据集上的识别结果优于现有的算法。2.基于终身学习的无线电信号调制方式识别算法通过对现有基于深度学习的信号调制方式识别算法分析可以发现这些算法都是采用局部或孤立任务的固定数据集,这存在着令模型难以产生更复杂和自主的智能行为。终身学习是解决此类问题的研究方向,它的目标是扩展模型的适应能力,令模型能够在不同时刻学习不同任务的知识,同时不会遗忘先前任务的特征。基于此,提出基于终身学习的无线电信号调制方式识别算法。该算法将不同噪声下的信号调制方式识别任务看作不同的任务,考虑到噪声越大信号越弱的问题,学习的任务序列从噪声小的信号到噪声大的信号。同时,提出一种基于卷积多层感知机的神经网络,即在采用VGG网络的基础上增加了一个多层感知机模块。实验结果表明,与其他骨干网络相比,提出的网络识别结果更好;与微调算法相比,采用终身学习算法的识别精度明显提升。