基于样本可迁移与分支可扩展方法的复杂多径信道信号自动调制识别

为解决复杂多径信道环境下信号调制识别（AMR）泛化能力不足的问题，北京理工大学团队提出了一种样本可迁移与分支可扩展的动态神经网络（BSDNN）。通过方向到达角（DOA）估计算法分解多径信号为单支路信号，结合注意力机制实现特征融合，最终在加性高斯白噪声（AWGN）信道训练的模型上实现了对任意路径数多径信号的识别，准确率提升且模型轻量化。

　　

在无线通信技术飞速发展的今天，复杂电磁环境下的信号调制识别（Automatic Modulation Recognition, AMR）正面临严峻挑战。传统基于加性高斯白噪声（AWGN）信道或固定多径信道的研究，难以应对实际场景中信号因反射、折射产生的多径效应（Multipath Effect）。尤其军事侦察、无人机通信等非合作场景下，接收端需快速准确识别未知调制信号，而现有深度学习模型存在"训练场景单一、多径适应性差"的缺陷。

北京理工大学的研究团队在《Digital Signal Processing》发表论文，创新性提出基于方向到达角（Direction of Arrival, DOA）估计与动态神经网络的解决方案。通过阵列天线接收信号，采用DOA算法估计路径数与入射角度，将多径信号分解为单支路信号；设计分支可扩展动态神经网络（Branch-Scalable Dynamic Neural Network, BSDNN），以"双支路训练、多支路识别"策略实现任意路径数信号的调制分类；引入注意力机制（Attention Mechanism）融合多支路特征，将不利的多径效应转化为识别优势。

关键技术包括：1）基于均匀线阵的DOA参数估计；2）多支路信号分解与AWGN信道样本迁移；3）含注意力模块的BSDNN架构设计；4）采用QPSK/16QAM等调制信号的自建数据集验证。

系统模型
通过2M+1阵元的均匀线阵接收多径信号，建立阵列流形矩阵模型。理论证明当路径时延远小于符号周期时，多径信号可表示为单径信号的线性叠加，为后续分解提供依据。

最大似然AMR
对比分析平均似然比检验（ALRT）、广义似然比检验（GLRT）的局限性，指出传统方法需精确信道建模且计算复杂，凸显深度学习方法的优势。

BSDNN实现
创新性提出"双支路训练"策略：仅需AWGN信道中双支路信号训练网络，通过动态扩展注意力模块即可处理3-5支路信号。实验显示在15dB信噪比下，对5径信号的识别准确率达91.3%，较单径信号提升6.8%。

轻量化设计
网络参数量仅2.37M，训练耗时较传统方法减少43%。消融实验证实注意力模块使特征融合效率提升22%，且分支扩展不影响原有权重。

该研究突破传统AMR对信道环境的依赖，实现三大创新：1）首次将DOA估计与深度学习结合，完成AWGN到多径信道的样本迁移；2）通过动态网络架构解决多径数不确定性问题；3）将多径干扰转化为识别增益。成果为复杂电磁环境下的智能通信接收机设计提供新范式，在军民融合领域具有重要应用价值。作者Yitong Lu指出，未来可进一步探索该模型在无人机（UAV）动态信道中的适应性。