数据集包含了从-20dB 到+18dB 总共 20 个信噪比（步长为 2）下的 11 种调制信号， 包括 AM-DSB、 AM-SSB 和 WBFM 三种模拟调制信号，以及 BPSK、 QPSK、 8PSK、 CPFSK、 GFSK、 PAM4、 QAM16 和 QAM64 八种数字调制信号。其中信号的中心频率为 200KHz，采样频率为 1Msamp/s，且每个信噪比下每种调制信号包含 1000 个信号。其中每个信号包含 IQ 两路数据，且每一路数据都包含有 128 个采样点。

自动调制识别是一个迅速发展的信号分析领域，已经成为了目前国际上最新的最热的一个研究热点，这本书的中译本覆盖了调制识别的所有完整内容，并且补充了作者最新的研究成果。

本文讨论了在α稳定噪声条件下的调制分类。 我们的目标是在这种情况下将正交频分复用（OFDM）调制类型与单载波线性数字（SCLD）调制区分开。 基于本文提出的有关这些信号在α稳定噪声中的广义循环平稳性的新结果，我们构造了新的调制分类特征，而没有载波频率和接收信号的时序偏移的任何先验信息，并使用支持向量机（SVM）作为分类器，以区分OFDM和SCLD。 仿真结果表明，当混合信噪比（MSNR）达到？1 dB时，该算法的识别精度可以达到95％。

在高信噪比处理域构造新的用于调制识别的高阶统计量幅值特征,与传统特征相比保留了更多的分类信息，适合干扰较大多种调制模式并存的环境。基于联合特征向量有效提高了识别性能，用窗口平滑抑制截获信号中的噪声，对识别器输入特征向量样本规范化以提高处理速度。分别基于欧氏距离分类方法和改进算法的神经网络识别器进行仿真实验，证明了采用联合特征向量和优化方法在低信噪比干扰更大的信道条件下能区分更多的调制类型(MASK、MPSK、MFSK、MQAM)，且平均调制识别率提高200%，算法效率也得到明显提高。

针对神经网络存在的过学习、欠学习、局部极小值等问题,提出了一种基于支持向量机(SVM)的数字调制方式的识别方法。从信号的瞬时幅度,瞬时相位,瞬时频率,频谱,包络变化等特性中提取了7个特征参数,用于训练支持向量机。运用二叉树理论设计多类分类器,与已有算法相比,具有简单、高速、高精度的特点。仿真结果证明,在高斯白噪声(AWGN)下,当信噪比大于15dB时,对2ASK、4ASK、8ASK、2FSK、4FSK、8FSK、BPSK、QPSK、8PSK调制方式的识别率可以达到97%以上。

基于瞬时特征提取的调制信号识别经典文献，详细介绍了瞬时信息如何用于提取特征。

针对通信系统中数字信号调制方式难以准确识别的问题，根据归一化前后小波变换包络的差异性，提出基于小波变异系数差值（ΔCV）和相似度特征的识别算法。该算法对MASK、MFSK、MPSK和MQAM 4种数字调制信号进行分类识别。理论分析和仿真实验表明算法简单易行，适用范围广，且在信噪比大于2 dB时数字调制信号识别率均在92.39%以上。

决策树分类法识别ASK

自己用matlab编写的各种调制信号，对研究调制识别的具有一定的参考价值。

针对6G时代将会是移动通信与人工智能紧密结合的时代，产生数量庞大的边缘智能信号处理节点的趋势，提出了一种可部署于资源受限的边缘设备上的高效智能电磁信号识别模型。首先，通过绘制电磁信号的星座图将电磁信号具象为二维图像，并根据归一化点密度对星座图上色以实现特征增强；然后，使用二值化深度神经网络对其进行识别，在保证识别准确率的同时明显降低了模型存储开销以及计算开销。采用电磁信号调制识别问题进行验证，实验选取常用的8种数字调制信号，选择加性高斯白噪声为信道环境。实验结果表明，所提方案可以在信噪比为-6～6 dB的噪声条件下获得96.1%的综合识别率，网络模型大小仅为166 KB，部署于树莓派4B的执行时间为290 ms，相比于同规模的全精度网络，准确率提升了0.6%，模型缩减到