通信信号调制识别方法及装置与流程

1.本技术属于通信技术领域，具体涉及一种通信信号调制识别方法及装置。


背景技术：

2.无论有线通信还是无线通信系统，为了使基带信号能够以更高的通信速率进行传输，并获得更高的频谱利用率，都必须经过自适应选择调制方式，即信号调制。
3.然而发明人发现，传统的通信信号调制识别方法的准确率较低。


技术实现要素：

4.为了提高调制识别的准确率，本技术提供了一种通信信号调制识别方法及装置。
5.第一方面，本技术提供了一种通信信号调制识别方法，所述方法包括：
6.获取多种调制信号中每种所述调制信号对应的iq数据；
7.根据每种所述调制信号对应的iq数据，获取每种所述调制信号的星座图，每个所述星座图包含基带符号；
8.对于每个所述星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图；
9.将灰度图输入至目标神经网络模型，进行调制方式的识别。
10.可选地，所述采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图，包括：
11.将所述星座图划分成m
×
n个方格，得到具有m行、n列的方格的阵列区域，m和n为大于1的正整数；
12.统计每个所述方格内基带符号的数量；
13.根据每个所述方格内基带符号的数量得到对应方格的像素值；
14.将得到的像素值作为灰度图的像素值。
15.可选地，所述根据每个所述方格内基带符号的数量得到对应方格的像素值，包括：
16.按照修正公式，根据每个所述方格内基带符号的数量得到对应方格的像素值；
17.所述修正公式为：o
ij
＝min{c
ij
，255}，i＝1，2，...，m；j＝1，2，...，n，
18.其中，所述o
ij
表示第i行j列的方格的像素值；所述c
ij
表示第i行j列的方格中基带符号的数量。
19.可选地，在所述将灰度图输入至目标神经网络模型之前，所述方法还包括：
20.获取每种所述调制信号的特征灰度图数据集；
21.采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型。
22.可选地，所述采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型，包括：
23.构建深度学习网络模型并初始化所述深度学习网络模型；
24.执行重排操作，所述重排操作为：对特征灰度图数据集进行重排，使各snr中各调
制方式的灰度图均匀分布于数据集中；
25.将所述特征灰度图数据集分为训练数据集和测试数据集；
26.将所述训练数据集划分为多组，将多组训练数据集依次输入至深度学习网络模型；
27.当所述深度学习网络模型的损失函数不满足预设条件时，更新网络模型的参数，直至所述损失函数满足预设条件；
28.采用所述测试数据集对所述损失函数满足预设条件的深度学习网络模型进行验证，得到深度学习网络模型的性能参数；
29.当训练次数达到预设值时，更新学习率；
30.当深度学习网络模型的性能参数达到停止要求时，停止执行训练操作；当深度学习网络模型的性能参数未达到停止要求时，执行重排操作。
31.第二方面，提供一种通信信号调制识别装置，所述装置包括：
32.第一获取模块，用于获取多种调制信号中每种所述调制信号对应的iq数据；
33.第二获取模块，用于根据每种所述调制信号对应的iq数据，获取每种所述调制信号的星座图，每个所述星座图包含基带符号；
34.提取模块，用于对于每个所述星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图；
35.调制模块，用于将灰度图输入至目标神经网络模型，进行调制方式的识别。
36.可选地，所述提取模块，包括：
37.划分子模块，用于将所述星座图划分成m
×
n个方格，得到具有m行、n列的方格的阵列区域，m和n为大于1的正整数；
38.统计子模块，用于统计每个所述方格内基带符号的数量；
39.确定子模块，用于根据每个所述方格内基带符号的数量得到对应方格的像素值；
40.第一处理子模块，用于将得到的像素值作为灰度图的像素值。
41.可选地，所述确定子模块，用于：
42.按照修正公式，根据每个所述方格内基带符号的数量得到对应方格的像素值；
43.所述修正公式为：oij＝mm{c
ij
，255}，i＝1，2，...，m；j＝1，2，...，n，
44.其中，所述oij表示第i行j列的方格的像素值；所述cij表示第i行j列的方格中基带符号的数量。
45.可选地，所述装置还包括：
46.第三获取模块，用于获取每种所述调制信号的特征灰度图数据集；
47.第四获取模块，用于采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型。
48.可选地，所述第四获取模块，包括：
49.构建子模块，用于构建深度学习网络模型并初始化所述深度学习网络模型；
50.重排子模块，用于执行重排操作，所述重排操作为：对特征灰度图数据集进行重排，使各snr中各调制方式的灰度图均匀分布于数据集中；
51.第二处理子模块，用于将所述特征灰度图数据集分为训练数据集和测试数据集；
52.第三处理子模块，用于将所述训练数据集划分为多组，将多组训练数据集依次输
入至深度学习网络模型；
53.第一更新子模块，用于在所述深度学习网络模型的损失函数不满足预设条件时，更新网络模型的参数，直至所述损失函数满足预设条件；
54.验证子模块，用于采用所述测试数据集对所述损失函数满足预设条件的深度学习网络模型进行验证，得到深度学习网络模型的性能参数；
55.第二更新子模块，用于在训练次数达到预设值时，更新学习率；
56.执行子模块，用于在深度学习网络模型的性能参数达到停止要求时，停止执行训练操作；在深度学习网络模型的性能参数未达到停止要求时，执行重排操作。
57.第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法步骤。
58.本技术实施例提供的通信信号调制识别方法，先获取多种调制信号中每种调制信号对应的iq数据，再获取每种调制信号的星座图，之后采用灰度特征图像生成算法提取基带符号在星座图中的位置信息得到灰度图，最后将灰度图输入至目标神经网络模型，进行调制方式的识别，相较于现有技术，能提高调制识别的准确率，尤其能提高在低snr环境下进行调制识别的准确率，更具有现实意义。
59.以下将结合附图及对本技术做进一步详细说明。
附图说明
60.图1是本技术实施例提供的一种通信信号调制识别方法的流程图；
61.图2是本技术实施例提供的另一种通信信号调制识别方法的流程图；
62.图3是本技术实施例提供的一种获取灰度图的流程图；
63.图4是本技术实施例提供的一种通信信号调制识别装置的框图；
64.图5是本技术实施例提供的一种提取模块的框图；
65.图6是本技术实施例提供的另一种通信信号调制识别装置的框图；
66.图7是本技术实施例提供的一种第四获取模块的框图。
具体实施方式
67.下面结合具体实施例对本技术做进一步详细的描述，但本技术的实施方式不限于此。
68.本技术实施例提供了一种通信信号调制识别方法，如图1所示，该方法包括如下步骤：
69.步骤110、获取多种调制信号中每种调制信号对应的iq数据。
70.步骤120、根据每种调制信号对应的iq数据，获取每种调制信号的星座图，每个星座图包含基带符号。
71.步骤130、对于每个星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图。
72.步骤140、将灰度图输入至目标神经网络模型，进行调制方式的识别。
73.综上所述，本技术实施例提供的通信信号调制识别方法，先获取多种调制信号中每种调制信号对应的iq数据，再获取每种调制信号的星座图，之后采用灰度特征图像生成
算法提取基带符号在星座图中的位置信息得到灰度图，最后将灰度图输入至目标神经网络模型，进行调制方式的识别，相较于现有技术，能提高调制识别的准确率。
74.本技术实施例提供了一种通信信号调制识别方法，应用于电子设备。该电子设备可以是电子战、通信侦察、雷达侦察、无线电频谱监测与管理等领域中的接收端设备，如图2所示，该方法包括如下步骤：
75.步骤210、获取多种调制信号中每种调制信号对应的iq数据。
76.示例地，本技术中调制信号有8种分别是：bpsk(binary phase shift keying，二进制相移键控)、4ask(amplitude shift keying，振幅键控)、qpsk(quadrature phase shift keying，正交相移键控)、oqpsk(offset-qpsk，偏移四相相移键控)、8psk、16qam(quadrature amplitude modulation，正交幅度调制)、32qam、64qam。每种调制信号的星座图中包括1000个星座点。
77.调制信号的一般表达式为：
78.s(t)＝a(t)
·
cos(2πfct+2πf(t)+θ(t)+θ0)
79.其中：s(t)表示连续时间序列信号；a(t)表示信号调制振幅；fc表示初始载波频率；θ0表示初始相位。
80.将调制信号的一般表达式进行形式变换，可以表示为：
81.s(t)＝x(t)cosωt-y(t)sinωt
82.其中ωt对应一般表达式中载波角度2πfct+2πf(t)+θ(t)+θ0，x(t)和y(t)对应信号调制振幅a(t)的两个分量。
83.通过上述变换，可以得到，通过并行传输两路信号表示出一个完整的调制信号，这种方式即正交调制(iq调制)。
84.psk调制是有基带信号来控制载波相位的调制方式。因此bpsk和8psk调制信号的相位以及传输信号变化关系如下表所示，其中，为了与oqpsk区分，qpsk调制的工作方式从0相位开始映射。
[0085][0086][0087]
将每个对应的相位带入调制信号表达式后，可以得到，每种相位对应的调制信号中都有cosωt和-sinωt，因此可以在iq调制之前增加一个映射，实现iq调制对应关系。
[0088]
qpsk调制映射关系如下表所示：
[0089]
输入数据：s1s2iq数据输出信号相位00+1，00010，+1π/211-1，0π100，-13π/2
[0090]
同样的，每种调制信号根据其载波相位的不同，都有对应的调制映射关系。根据这
种映射关系，可以得到不同调制信号对应的的iq数据。
[0091]
步骤220、根据每种调制信号对应的iq数据，获取每种调制信号的星座图。
[0092]
本技术可以应用于多种信道中，比如加性高斯白噪声信道，可以获取每种调制信号在加性高斯白噪声信道下的星座图。
[0093]
每个星座图包含基带符号。基带符号在星座图中用格雷码进行编号。每幅星座图中共有1000个基带符号。
[0094]
通过输入数据、iq数据和载波的相位/幅度之间的映射关系可以将调制信号的信息完整、清晰地表达在一张复平面图中，得到星座图。
[0095]
步骤230、对于每个星座图，采用灰度特征图像生成算法提取基带符号在该星座图中的位置信息，得到灰度图。
[0096]
其中，位置信息包括基带符号在星座图中的分布信息以及聚集程度等信息。采用灰度特征图像生成算法对基带符号在星座图中的分布信息以及聚集程度等信息进行提取，进而转化为更适合深度学习处理的灰度图。
[0097]
具体地，如图3所示，步骤230可以包括如下子步骤：
[0098]
子步骤2301、将星座图划分成m
×
n个方格，得到具有m行、n列的方格的阵列区域。
[0099]
m和n为大于1的正整数。
[0100]
子步骤2302、统计每个方格内基带符号的数量。
[0101]
子步骤2303、根据每个方格内基带符号的数量得到对应方格的像素值。
[0102]
可选地，子步骤2303可以包括：
[0103]
按照修正公式，根据每个方格内基带符号的数量得到对应方格的像素值；
[0104]
所述修正公式为：o
ij
＝min{c
ij
，255}，i＝1，2，...，m；j＝1，2，...，n，
[0105]
其中，o
ij
表示第i行j列的方格的像素值；c
ij
表示第i行j列的方格中基带符号的数量。
[0106]
遍历每个方格，得出所有方格对应的像素值。在本技术中，为了保证像素值大小落在0～255之间，采用上述修正公式对像素值进行限幅。
[0107]
子步骤2304、将得到的像素值作为灰度图的像素值。
[0108]
方格内基带符号的数量越多，方格的像素值越大，灰度图中的亮度就越亮；方格内基带符号的数量越少，方格的像素值越小，灰度图中的亮度就越暗。
[0109]
步骤240、获取每种调制信号的特征灰度图数据集。
[0110]
步骤250、采用特征灰度图数据集训练和验证神经网络模型，得到目标神经网络模型。
[0111]
示例地，本技术采用卷积神经网络模型进行调制方式的识别。
[0112]
本技术预先获取每种调制信号的特征灰度图数据集，并将特征灰度图数据集分为训练数据集和测试数据集两部分。训练数据集用于训练神经网络模型内的超参数，使得神经网络模型在自动提取特征以及分类过程达到预期的目的。首先通过仿真软件模拟产生信号序列，然后对信号序列进行预处理，根据不同信号特征映射成对应的星座图，最后采用灰度特征图像生成算法将星座图转化为灰度图，作为特征灰度图数据集。
[0113]
具体地，获取特征灰度图数据集可以包括：
[0114]
1)、获取一组均匀分布的0、1序列，长度为1000
×
log2m，m为信号调制阶数。
[0115]
2)、将生成的序列按照log2m个为一组进行组合，将二进制组合转换为十进制。
[0116]
3)、将转换后的自然数数组作为下标(从0开始)，根据特定调制类型的格雷映射表，生成一组该调制类型下的符号(复数)数组。其中，符号数组的第n个元素是将自然数数组的第n个元素作为下标从格雷映射表中取出的。
[0117]
4)、将生成的符号序列进行归一化，使其功率为1。
[0118]
5)、根据设定的snr，生成一组实部和虚部都服从n(0，δ2/2)分布的复高斯噪声，其中δ2是噪声功率。
[0119]
6)、将生成的符号序列与复高斯噪声序列相加，得到最终的接收信号序列。
[0120]
7)、将复平面上3.5
×
3.5的区域平均分成与神经网络模型输入大小相同个数的方格，统计接收信号星座图落在每个方格内的点的数量，利用灰度特征图像生成算法将星座图转换为灰度图。
[0121]
为了有效训练和验证神经网络模型的自动提取特征以及分类的能力，选择7种调制信号类型，包括bpsk、4ask、qpsk、oqpsk、8psk、16qam和32qam，每种调制信号的星座图中包括1000个星座点。本技术自低至高依次选取了0db、1db、2.5db、3db和3.5db，5种snr下的信号。为了保证模型在识别过程的整体均衡性，每种类型每种snr下产生数量相等的信号数据图，防止因为某些类型图片多，而在识别过程中对其他图片识别效果变弱的影响。同时，在分类过程采用7种类别标签对每种调制信号进行了标签分类，以对应识别结果中调制信号类型。
[0122]
为了评估每种snr下模型的识别准确度，测试数据集选择与训练数据集相同的snr进行模型评估。
[0123]
采用特征灰度图数据集训练和验证神经网络模型，得到目标神经网络模型，可以包括：
[0124]
1)构建深度学习网络模型并初始化深度学习网络模型；
[0125]
使用全0或随机数对各节点参数进行初始化，将学习率设置为0.01，采用深度学习优化器adam。
[0126]
2)执行重排操作，所述重排操作为：对特征灰度图数据集进行重排，使各snr中各调制方式的灰度图均匀分布于数据集中。
[0127]
示例地，采用随机顺序对对特征灰度图数据集进行重排进行重排。
[0128]
3)将特征灰度图数据集分为训练数据集和测试数据集。
[0129]
训练数据集用于训练网络模型，测试数据集用于验证网络模型。
[0130]
示例地，可以取特征灰度图数据集的1.5％作为测试数据集。
[0131]
4)将训练数据集划分为多组，将多组训练数据集依次输入至深度学习网络模型。
[0132]
比如将同一snr下每种调制方式的512张图片打乱顺序后，逐次将512*7张图片输入模型进行训练。示例地，可以将训练数据集划分为16组。
[0133]
5)当深度学习网络模型的损失函数不满足预设条件时，更新网络模型的参数，直至损失函数满足预设条件。
[0134]
将训练数据集分批次输入至深度学习网络模型，计算损失函数，并使用bp算法更新网络模型的参数。
[0135]
6)采用测试数据集对损失函数满足预设条件的深度学习网络模型进行验证，得到
深度学习网络模型的性能参数。
[0136]
7)当训练次数达到预设值时，更新学习率。
[0137]
训练次数每达到50次，则将学习率更新为当前学习率的0.35倍。
[0138]
8)当深度学习网络模型的性能参数达到停止要求时，停止执行训练操作；当深度学习网络模型的性能参数未达到停止要求时，执行重排操作，即跳转到步骤2)。
[0139]
迭代次数太多，会降低网络在训练时的效率，同时也不会对模型准确率的提升有明显帮助。示例地，本技术中停止要求为200次迭代。
[0140]
步骤260、将灰度图作为目标神经网络模型的输入，进行调制方式的识别。
[0141]
采用本技术提供的通信信号调制识别方法，7种调制信号的识别率在snr大于2.5db时均保持在90％以上，能准确地完成低snr下的7种调制信号的识别分类，随着snr的增加，对调制信号的识别准确率也在提高。
[0142]
当snr＝2db时，采用本技术提供的通信信号调制识别方法，8psk的识别准确率为93.8％。
[0143]
在对bpsk，qpsk和8psk三种信号的分类识别中，采用本技术提供的通信信号调制识别方法，在snr＝1db时准确率达到98.4％以上；在snr＝2db时准确率达到100％。
[0144]
综上所述，本技术实施例提供的通信信号调制识别方法，先获取多种调制信号中每种调制信号对应的iq数据，再获取每种调制信号在加性高斯白噪声信道下的星座图，之后采用灰度特征图像生成算法提取基带符号在星座图中的位置信息得到灰度图，最后将灰度图输入至目标神经网络模型，进行调制方式的识别，相较于现有技术，能提高调制识别的准确率，尤其是能提高在低snr环境下进行调制识别的准确率，更具有现实意义。
[0145]
需要说明的是，本技术实施例提供的通信信号调制识别方法步骤的先后顺序可以进行适当调整，比如步骤240和步骤250可以在步骤230之前执行，或者可以在步骤220之前执行。步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本发明的保护范围之内，因此不再赘述。
[0146]
本技术实施例还提供了一种通信信号调制识别装置400，该装置可以应用于电子设备中。该电子设备可以是电子战、通信侦察、雷达侦察、无线电频谱监测与管理等领域中的接收端设备，参见图4所示，该装置400包括：
[0147]
第一获取模块410，用于获取多种调制信号中每种调制信号对应的iq数据。
[0148]
第二获取模块420，用于根据每种调制信号对应的iq数据，获取每种调制信号的星座图，每个星座图包含基带符号。
[0149]
提取模块430，用于对于每个星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图。
[0150]
调制模块440，用于将灰度图输入至目标神经网络模型，进行调制方式的识别。
[0151]
具体地，如图5所示，提取模块430，包括：
[0152]
划分子模块431，用于将星座图划分成m
×
n个方格，得到具有m行、n列的方格的阵列区域，m和n为大于1的正整数。
[0153]
统计子模块432，用于统计每个方格内基带符号的数量。
[0154]
确定子模块433，用于根据每个方格内基带符号的数量得到对应方格的像素值。
[0155]
第一处理子模块434，用于将得到的像素值作为灰度图的像素值。
[0156]
可选地，确定子模块433，用于：
[0157]
按照修正公式，根据每个方格内基带符号的数量得到对应方格的像素值；
[0158]
修正公式为：o
ij
＝min{c
ij
，255}，i＝1，2，...，m；j＝1，2，...，n，
[0159]
其中，o
ij
表示第i行j列的方格的像素值；c
ij
表示第i行j列的方格中基带符号的数量。
[0160]
进一步的，如图6所示，该通信信号调制识别装置400还包括：
[0161]
第三获取模块450，用于获取每种调制信号的特征灰度图数据集。
[0162]
第四获取模块460，用于采用特征灰度图数据集训练和验证神经网络模型，得到目标神经网络模型。
[0163]
可选地，如图7所示，第四获取模块460，包括：
[0164]
构建子模块461，用于构建深度学习网络模型并初始化深度学习网络模型。
[0165]
重排子模块462，用于执行重排操作，重排操作为：对特征灰度图数据集进行重排，使各snr中各调制方式的灰度图均匀分布于数据集中。
[0166]
第二处理子模块463，用于将特征灰度图数据集分为训练数据集和测试数据集。
[0167]
第三处理子模块464，用于将训练数据集划分为多组，将多组训练数据集依次输入至深度学习网络模型。
[0168]
第一更新子模块465，用于在深度学习网络模型的损失函数不满足预设条件时，更新网络模型的参数，直至损失函数满足预设条件。
[0169]
验证子模块466，用于采用测试数据集对损失函数满足预设条件的深度学习网络模型进行验证，得到深度学习网络模型的性能参数。
[0170]
第二更新子模块467，用于在训练次数达到预设值时，更新学习率。
[0171]
执行子模块468，用于在深度学习网络模型的性能参数达到停止要求时，停止执行训练操作；在深度学习网络模型的性能参数未达到停止要求时，执行重排操作。
[0172]
综上所述，本技术实施例提供的通信信号调制识别装置，先获取多种调制信号中每种调制信号对应的iq数据，再获取每种调制信号的星座图，之后采用灰度特征图像生成算法提取基带符号在星座图中的位置信息得到灰度图，最后将灰度图输入至目标神经网络模型，进行调制方式的识别，相较于现有技术，能提高调制识别的准确率，尤其能提高在低snr环境下进行调制识别的准确率。
[0173]
本技术实施例还提供一种通信信号调制识别装置，应用于电子设备。该电子设备可以是电子战、通信侦察、雷达侦察、无线电频谱监测与管理等领域中的接收端设备，所述装置包括：处理器和存储器，所述存储器存储有一个或多个计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0174]
获取多种调制信号中每种所述调制信号对应的iq数据；
[0175]
根据每种所述调制信号对应的iq数据，获取每种所述调制信号的星座图，每个所述星座图包含基带符号；
[0176]
对于每个所述星座图，采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图；
[0177]
将灰度图输入至目标神经网络模型，进行调制方式的识别。
[0178]
其中，所述采用灰度特征图像生成算法提取基带符号在星座图中的位置信息，得到灰度图，包括：
[0179]
将所述星座图划分成m
×
n个方格，得到具有m行、n列的方格的阵列区域，m和n为大于1的正整数；
[0180]
统计每个所述方格内基带符号的数量；
[0181]
根据每个所述方格内基带符号的数量得到对应方格的像素值；
[0182]
将得到的像素值作为灰度图的像素值。
[0183]
其中，所述根据每个所述方格内基带符号的数量得到对应方格的像素值，包括：
[0184]
按照修正公式，根据每个所述方格内基带符号的数量得到对应方格的像素值；
[0185]
所述修正公式为：o
ij
＝min{c
ij
，255}，i＝1，2，...，m；j＝1，2，...，n，
[0186]
其中，所述o
ij
表示第i行j列的方格的像素值；所述c
ij
表示第i行j列的方格中基带符号的数量。
[0187]
在所述将灰度图输入至目标神经网络模型之前，所述方法还包括：
[0188]
获取每种所述调制信号的特征灰度图数据集；
[0189]
采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型。
[0190]
其中，所述采用特征灰度图数据集训练和验证神经网络模型，得到所述目标神经网络模型，包括：
[0191]
构建深度学习网络模型并初始化所述深度学习网络模型；
[0192]
执行重排操作，所述重排操作为：对特征灰度图数据集进行重排，使各snr中各调制方式的灰度图均匀分布于数据集中；
[0193]
将所述特征灰度图数据集分为训练数据集和测试数据集；
[0194]
将所述训练数据集划分为多组，将多组训练数据集依次输入至深度学习网络模型；
[0195]
当所述深度学习网络模型的损失函数不满足预设条件时，更新网络模型的参数，直至所述损失函数满足预设条件；
[0196]
采用所述测试数据集对所述损失函数满足预设条件的深度学习网络模型进行验证，得到深度学习网络模型的性能参数；
[0197]
当训练次数达到预设值时，更新学习率；
[0198]
当深度学习网络模型的性能参数达到停止要求时，停止执行训练操作；当深度学习网络模型的性能参数未达到停止要求时，执行重排操作。
[0199]
本技术实施例还提供了一种计算机可读存储介质。该计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时，实现如图1、图2或图3所示的通信信号调制识别方法步骤。
[0200]
本技术实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行实现如图1、图2或图3所示的通信信号调制识别方法步骤。
[0201]
需要说明的是，对于装置/系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0202]
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以
明示或者隐含地包括一个或者更多个特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0203]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0204]
以上内容是结合具体的优选实施方式对本技术所作的进一步详细说明，不能认定本技术的具体实施只局限于这些说明。对于本技术所属技术领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本技术的保护范围。