简介：本资源是一套面向通信工程专业本科生及信号处理初学者的MATLAB实践代码包，聚焦数字调制样式自动识别这一典型通信信号分析任务。程序完整覆盖2ASK、4ASK、2PSK、4PSK、2FSK、4FSK和16QAM七类常见调制信号的仿真生成、加性高斯白噪声信道建模、瞬时幅度/频率/相位特征提取与分类识别全流程，特别适合课程设计、毕设验证及算法原理理解。压缩包共14个文件（10个.url为配套学习链接，4个.m为主程序模块：Digit_Modul.m为总控入口，Feature.m负责特征计算，channel.m模拟信道，recognition.m执行判决识别），总容量仅11KB，轻量易部署。已有1034人学习下载，代码结构清晰、模块职责分明，附带可调门限机制，便于用户基于实际数据统计优化识别阈值，是深入掌握调制识别核心思想与MATLAB工程实现的理想参考范例。 有一次我在实验室里调一套SDR接收链路，信号进来了，界面上的星座图却在慢慢打转。旁边的师弟问我：这到底是QPSK还是16QAM？我盯着屏幕愣了几秒，最后只能说“不知道”。从那时候起我就意识到，真正的麻烦不是解调，而是在不知道对方用什么格式发信号的情况下，怎么把这个“不知道”变成“知道”。后来我用MATLAB把数字调制解调样式识别这套流程完整写成了程序源代码，从信号生成、特征提取到分类决策全部打通。这篇内容就是把这套实现思路完整拆开：信号怎么造、特征怎么算、阈值怎么定、代码长什么样，以及实际接入信号后最容易坑人的几个地方。适合两类人看：一类是刚接触软件无线电、需要快速给接收链路补上盲识别能力的学生，另一类是工作中要处理不明信源、需要评估和落地自动调制识别（AMC）模块的工程师。
1. 为什么接收机需要“不认识信号的自动识别”
1.1 样式识别在整套通信链路里的位置
传统的数字接收机工作模式是“先知道，再解调”。发送端用什么调制方式、符号速率是多少、载波频率在哪、滚降系数取多少，这些参数在接收机开始工作之前就已经写死在配置里了。接收机做的事情无非是：下变频、匹配滤波、同步、判决，然后把比特流吐出来。
但实际场景往往不给你这个“先知道”。频谱监测设备扫到一个未知频点，信号就在那里，没有任何信令告诉你它是什么格式；认知无线电要动态接入频谱，也必须在短时间内判断当前频段里正在跑的是哪种调制方式；甚至一些故障排查场景里，你面对的是自家产线上下来的设备，但配置丢了，接收端完全不知道发送端设成了什么参数。在这些场景里，调制样式识别就成了整套链路里绕不开的一环。
它处在什么位置呢？简单说，在同步完成之后、正式解调判决之前。接收机先通过盲估计把载波频偏、符号定时这些基础参数抓出来，然后对这个“已经初步同步好的信号”做样式识别，判断出调制方式，最后再用这个判断结果去配置真正的解调器。换句话说，样式识别是一个“给解调器做确认”的模块。
1.2 决策树特征工程和深度学习，工程上到底怎么选
现在做调制样式识别的路子大概分成两派。一派是经典特征参数+决策树，我这次的源码就是这条路。另一派是深度学习端到端识别，把IQ采样直接喂给卷积网络或者循环网络，让模型自己学特征。
两派各有各的适用场景。我直接说结论：如果你在实验室做原型验证、要写一版看得见摸得着、方便调试的代码，经典决策树是最好上手的；如果你手里有大量真实采集数据，而且信道的恶劣程度超出常规模型假设，那深度学习的上限确实更高。但深度学习有个很现实的问题——需要标注数据。调制样式识别里的标注本身就是重活，你要先确认每条数据的真实调制格式，这在很多场景下恰恰是最难解决的问题。没有干净标注，深度模型就是空中楼阁。
经典决策树的优势在于：不需要训练数据、计算量小、单次判决只需要计算十几个统计量、而且每一步都可解释。这个“可解释”在工程上太重要了。识别错了你能顺着决策树看是哪一层判断出了问题，是同步没做好还是特征阈值标定有问题。深度学习给一个概率分布出来，你很难定位是哪个环节坏了。所以在工程落地时，我的习惯是先用决策树跑通链路，再按需引入更复杂的特征或模型。
2. 底层设计：预处理、特征提取与阈值逻辑
2.1 预处理三板斧：载波同步、符号定时、匹配滤波
特征提取的前提是信号已经完成了基本的同步，这一步没做好，后面所有特征值都会失真。我在这套代码里做了三层预处理。
第一层是载波同步。SDR采集下来的复基带信号往往带有残余频偏，这个频偏会让星座图缓慢旋转，也会让瞬时相位特征完全崩掉。我在预处理函数里先做一次粗频偏估计，然后用Costas环或判决导向环做细同步。粗估计用周期图法，对信号做FFT找频谱峰值；细同步在仿真里用理想参数，在真实采集数据上会切到判决导向锁相环。
第二层是符号定时同步。采样点的位置不能落在两个符号的跳变沿上，否则同一个符号采出来的幅度和相位都是错的。仿真里我直接用成型滤波器和过采样来保证符号中心对齐，真实场景则用Gardner定时环。
第三层是匹配滤波。发送端的成型滤波器通常用根升余弦，接收端也要配备同样参数匹配滤波器，才能把信噪比拉回最优。这个滤波器的滚降系数、抽头数都会影响后面特征值的数值分布，尤其是包络类特征，所以参数要固定下来，不能每轮实验随便改。
2.2 核心统计特征：包络、相位、频率三个维度抓住格式差异
特征提取是整个识别器的灵魂。我用的特征都是从瞬时幅度、瞬时相位、瞬时频率这三个维度推导出来的，经典文献里叫Nandi-Azzouz特征集。下面逐个说清楚它们到底在捕捉什么。
第一个特征是零中心归一化瞬时幅度谱密度最大值，记作γmax。计算时先求信号的Hilbert包络a(n)，然后做归一化：a_cn(n) = a(n)/m_a - 1，其中m_a是整个包络的均值。对a_cn做FFT，取幅度谱平方的最大值除以均值，得到γmax。
为什么这个特征能区分调制方式？因为PSK信号的包络理论上恒定，归一化之后a_cn非常接近零，它的频谱就没什么像样的谱峰；而ASK信号的包络随码元内容变化，会存在明显的调制频率分量，频谱上会出现突出的尖峰。所以γmax大的一侧是“包络有起伏”的ASK和FSK，小的一侧是“包络恒定型”的PSK。
第二个特征是零中心归一化瞬时幅度绝对值的标准差，记作σaa。它用来在ASK家族内部定阶：2ASK只存在两种幅度值，4ASK存在四种，归一化之后取绝对值，两者的离散程度不一样。4ASK的幅度层次更多，σaa会更大。
第三个特征是零中心非线性相位标准差，记作σdp。它的作用是区分BPSK和QPSK。做法是先对信号的瞬时相位做解卷绕，去掉由载频产生的线性相位项，剩下的就是调制相位变化。BPSK的相位跳变只有0和π两个值，非线性相位在零中心后分布非常集中；QPSK有0、±π/2、π四个相位值，散布范围更大，σdp自然更大。这里有个关键细节：计算σdp前一定要剔除包络幅度过小的采样点。因为幅度接近零时，噪声会把瞬时相位打得乱飞，这些点的相位完全是噪声，会直接污染统计量。
第四个特征是零中心归一化瞬时频率标准差，记作σaf。它用来区分FSK和其他调制格式。FSK的瞬时频率在不同码元之间跳变，频率标准差天然很大；而ASK和PSK的频率都集中在载频附近，σaf较小。同理，2FSK和4FSK之间也可以用σaf的大小继续细分。
这四个特征单独看都有一定区分能力，组合进决策树之后能把六种常见调制方式切干净。
2.3 决策树结构：先分大类，再定阶数
我用的决策树分两步走。
第一步，用γmax把信号分成“包络起伏类”和“包络恒定类”。“包络起伏类”包含ASK和FSK，“包络恒定类”包含BPSK和QPSK。这一步是鲁棒性最强的分流，因为γmax的计算不需要精确的相位信息，对频偏和相位噪声的敏感度最低。
第二步，在大类内部继续细分。“包络恒定类”里用σdp区分BPSK和QPSK；“包络起伏类”里用σaf先区分FSK和ASK，然后用σaa给ASK定阶，再用σaf的频率散布程度给FSK定阶。
这个“先大类后细类”的设计不是随意的。如果一上来就用相位特征去分所有调制方式，频偏稍微没消干净，BPSK和QPSK的区分就全乱了。而γmax在频偏存在时依然稳定，所以让最稳的特征打头阵，把大类切对，后面细分类的压力就小了。这也是工程上特别重要的一点：决策树的排列顺序，本质上就是按特征对信道损伤的鲁棒性排序。
3. MATLAB源码实现：从信号产生到分类决策全链路
3.1 文件结构与主脚本
整个工程我拆成了五个文件，结构如下：
modulation_classifier/ ├── main_demo.m % 主脚本，蒙特卡洛仿真 ├── generate_signal.m % 信号发生模块 ├── preprocess_rx.m % 接收预处理 ├── extract_features.m % 特征提取 └── classify_modulation.m % 分类决策主脚本的作用是循环仿真六种调制方式（2ASK、4ASK、2FSK、4FSK、BPSK、QPSK），在设定的信噪比下各跑几百次蒙特卡洛，统计识别正确率。它同时负责调用其他四个函数，把整个识别链路串起来。
%% main_demo.m modTypes = {'BPSK', 'QPSK', '2ASK', '4ASK', '2FSK', '4FSK'}; snrVec = 0:2:20; Ntrials = 500; N_symbols = 1024; sps = 8; % 每符号采样点数 fs = 400e3; % 采样率 accMat = zeros(length(modTypes), length(snrVec)); for m = 1:length(modTypes) for s = 1:length(snrVec) okCount = 0; for trial = 1:Ntrials x = generate_signal(modTypes{m}, N_symbols, sps, fs); rx = awgn(x, snrVec(s), 'measured'); rxSync = preprocess_rx(rx, fs, sps); feats = extract_features(rxSync, fs); predType = classify_modulation(feats, thresholds); if strcmp(predType, modTypes{m}) okCount = okCount + 1; end end accMat(m, s) = okCount / Ntrials; end end这段代码里有一个隐藏点：thresholds结构体要在主脚本里预先定义。我建议把阈值集中放在一个地方，不要散落在各个函数里，后面标定时改起来方便。
3.2 信号发生模块：确保仿真数据覆盖真实通信条件
generate_signal函数负责生成六种调制信号。它的核心逻辑是按调制类型生成符号序列，然后过成型滤波器并做过采样。这里有一个容易忽略的问题：FSK信号的生成方式跟PSK/ASK不一样，不能用upfirdn直接处理复数符号，而是要在频率域上累加相位。
%% generate_signal.m 片段 function x = generate_signal(modType, N_symbols, sps, fs) switch modType case 'BPSK' data = randi([0 1], N_symbols, 1); symb = pskmod(data, 2); case 'QPSK' data = randi([0 3], N_symbols, 1); symb = pskmod(data, 4, pi/4); case '2ASK' data = randi([0 1], N_symbols, 1); symb = data.'; case '4ASK' data = randi([0 3], N_symbols, 1); symb = (2*data - 3) / 3; case '2FSK' data = randi([0 1], N_symbols, 1); fDev = 20e3; freq = (2*data - 1) * fDev; freqUp = upsample(freq, sps); freqUp = conv(freqUp, ones(sps,1), 'same'); phase = 2*pi * cumsum(freqUp) / fs; symb = exp(1j * phase); case '4FSK' data = randi([0 3], N_symbols, 1); fDev = 10e3; freq = (2*data - 3) * fDev; freqUp = upsample(freq, sps); freqUp = conv(freqUp, ones(sps,1), 'same'); phase = 2*pi * cumsum(freqUp) / fs; symb = exp(1j * phase); end % 成型滤波 rrc = rcosdesign(0.35, 6, sps); x = upfirdn(symb, rrc, sps); x = x(1:N_symbols*sps); end注意这里的upsample加上conv的做法，等于是对频率序列做了一个零阶保持，保证FSK在一个符号周期内频率恒定，这样相位累积是线性的。滚降因子我取了0.35，这个数值要跟接收端的匹配滤波器保持一致。
3.3 特征提取核心函数：代码和公式一一对应
extract_features是整个程序里最核心的函数。它的实现跟公式一一对应，最好逐行读。
%% extract_features.m function feats = extract_features(x, fs) N = length(x); analytic = hilbert(x); % 解析信号 env = abs(analytic); % 瞬时包络 m_a = mean(env); a_cn = env ./ m_a - 1; % 零中心归一化瞬时幅度 % --- 特征1: gamma_max --- spec = abs(fft(a_cn)).^2; spec = spec(2:floor(N/2)+1); % 去掉直流 gamma_max = max(spec) / (mean(spec) + eps); % --- 相位特征 --- phase = unwrap(angle(analytic)); valid = env > 0.9 * m_a; % 剔除低幅度点 phi_nl = phase(valid); phi_nl = phi_nl - mean(phi_nl); % 零中心化 sigma_dp = std(phi_nl); % --- 瞬时频率特征 --- f_inst = diff(phi_nl) * fs / (2*pi); m_f = mean(f_inst); sigma_af = std(f_inst ./ (m_f + eps)); % --- sigma_aa --- a_v = a_cn(valid); sigma_aa = sqrt(mean(a_v.^2) - (mean(abs(a_v)))^2); feats = [gamma_max, sigma_dp, sigma_af, sigma_aa]; end三个关键细节值得展开。
第一，计算γmax时FFT前要去掉直流。因为a_cn的直流分量直接对应包络均值，如果不去掉，频谱里会出现一个巨大的零频峰，这个峰没有任何区分度，还会把整个频谱的平均值抬高，导致γmax被压低。
第二，相位解卷绕用unwrap，但并不是所有采样点都能保留。幅度小于0.9倍平均包络的点，相位完全被噪声主导，必须剔掉。这个门限我试过0.7、0.8、0.9，最后0.9在低信噪比下表现最稳。门限太低会把噪声相位放进来，门限太高会丢掉大量有效符号，导致统计量方差变大。
第三，σaf计算的是瞬时频率的归一化标准差。这里用diff求差分等于做了频率解调。分母上的m_f是平均频率，这个平均值在理想情况下应该接近零频偏。如果残余频偏没消干净，m_f会变大，σaf会被压小，这就会影响FSK和ASK的区分。这就是为什么预处理里频偏消除必须做得足够干净。
3.4 分类决策与阈值标定
classify_modulation函数按决策树结构逐层判断。
%% classify_modulation.m function modType = classify_modulation(feats, thr) gamma_max = feats(1); sigma_dp = feats(2); sigma_af = feats(3); sigma_aa = feats(4); if gamma_max > thr.gamma_ps if sigma_af > thr.sigma_af_askfsk if sigma_af > thr.sigma_af_fsk_order modType = '4FSK'; else modType = '2FSK'; end else if sigma_aa > thr.sigma_aa_ask_order modType = '4ASK'; else modType = '2ASK'; end end else if sigma_dp > thr.sigma_dp_psk_order modType = 'QPSK'; else modType = 'BPSK'; end end end阈值不是拍脑袋定的。我在这套仿真参数下（符号数1024、每符号8个采样点、SNR=15dB）实测标定出来的参考阈值如下：
| 特征 | 阈值字段 | 参考值 | 作用 |
|---|---|---|---|
| γmax | gamma_ps | 2.5 | 区分PSK与ASK/FSK |
| σdp | sigma_dp_psk_order | 0.5 | 区分BPSK与QPSK |
| σaf | sigma_af_askfsk | 0.35 | 区分FSK与ASK |
| σaf | sigma_af_fsk_order | 0.6 | 区分2FSK与4FSK |
| σaa | sigma_aa_ask_order | 0.3 | 区分2ASK与4ASK |
必须强调：这些阈值是相对值，不是绝对值。换一套采样率、符号数、滚降系数，甚至换一个信噪比工作区间，阈值都要重新标定。标定的方法很简单：跑一遍已知标签的仿真数据，把每个特征值和真实标签打印出来，画出箱线图，在两类分布的中间位置取阈值。我在工程里就是这么干的，不依赖任何理论公式硬算，因为理论推导很难覆盖滤波器实现、定时误差、噪声模型等实际损失。
4. 实测踩坑：频偏、定时与低信噪比下的特征失真
4.1 频偏没消干净，QPSK被识别成了2FSK
我第一次跑完整个程序，发现识别率在SNR高于10dB的时候也不是100%，QPSK偶尔会被判成2FSK。这个结果非常反直觉，因为这两个调制方式在星座图上差异巨大，怎么会被混淆？
我把出错的样本拉出来分析，先看星座图，发现星座点不是聚成四个点，而是在画圆——这是典型残余频偏的现象。再看瞬时相位曲线，整条曲线带着一个线性上升的斜坡。问题一下就清楚了：残余频偏让瞬时相位多了一项线性项，σdp被撑大了；同时这个线性相位映射到瞬时频率上，又产生了非零的频率分量，σaf也偏大。两个特征同时失真，决策树就把QPSK推进了FSK的分类支路。
排查链路是这样的：先画出错样本的星座图和相位曲线，确认是频偏问题；再在仿真里人为把频偏从0慢慢增加到几个Hz，观察特征值变化趋势；最后回到预处理函数，把细同步环路的收敛精度提升。修完之后QPSK的σaf明显回落，分类就恢复了。
这个坑给我最大的教训是：特征提取是否可靠，完全取决于预处理是否够狠。频偏残余哪怕只有一个符号周期的百分之几，对相位类特征都是致命的。
4.2 符号定时偏差让4ASK变成了FSK
另一个坑出在定时同步上。仿真里我本来用upfirdn做的过采样，每个符号固定采8个点，按理说不该有定时问题。但后来我为了让仿真更接近真实情况，在发射端加了一个随机时延，结果4ASK的识别率暴跌。
看了一眼误判矩阵，4ASK大量被判成了2FSK。为什么？随机时延导致采样点落在符号跳变沿，包络在跳变沿出现突然的凹坑和尖峰。这些包络瞬变会被Hilbert变换捕捉到，在频谱上产生额外的谱峰，γmax变大这本身没问题，因为ASK本来就属于γmax大的那一类。但问题是这个随机扰动也被带进了瞬时频率的计算里，σaf被异常增大，于是4ASK被推给了FSK支路。
解决办法是在预处理函数里加上定时同步。仿真里最简单可靠的方法是：在每个符号周期内搜索包络最大值的位置，以该位置作为符号中心重新采样。这个办法对PSK和ASK都有效，FSK因为包络恒定，需要改用Gardner定时环。把定时同步加进去之后，这个误判基本消失了。
4.3 低信噪比下的阈值漂移：固定阈值会失效
最后一个坑是特征阈值本身会随信噪比漂移。我一开始把所有阈值固定在15dB下标定的值，然后把SNR从15dB降到0dB跑完整套仿真，识别率掉得很难看。
画了各特征值在不同SNR下的箱线图之后发现，γmax在低SNR下会整体抬升。原因是噪声让所有信号的包络都产生了随机起伏，原本包络恒定的PSK信号在低幅度采样点上也被噪声“掰出”了幅度变化。这样一来，PSK类的γmax分布和ASK/FSK类的γmax分布开始重叠，固定阈值自然就切不开了。
解决思路有三个层次。最低成本的方案是按SNR分段设阈值，把工作区间分成若干个SNR档位，每档用一组标定好的阈值。这个方案简单粗暴，但要保证系统能比较准确地估计当前SNR，否则阈值切换时机反而是新问题。第二个方案是对包络做平滑，降低噪声对瞬时幅度的扰动，但平滑会造成符号间串扰，需要权衡。第三个方案是换更鲁棒的特征，比如高阶累积量或者循环谱特征，这些特征对加性白噪声的敏感性要低得多。我在这套代码里最终采用了“分段阈值+平滑后置”的组合方案，低信噪比识别率提升了十几个百分点。
5. 往下走：高阶调制、深度学习与设备落地
5.1 识别范围扩充：高阶累积量的思路
如果需要识别的调制方式有16QAM、64QAM、8PSK这些，前面四个特征就有点不够用了。16QAM和64QAM的包络都有起伏，但靠σaa很难稳定区分，因为两者的幅度层次很多，归一化后统计特征重叠严重。
这个场景我建议引入高阶累积量特征。高阶累积量对高斯噪声天然免疫，而且不同调制格式的累积量理论值是分离的。比如对复基带信号，C40、C41、C42的组合可以比较好地区分BPSK、QPSK、8PSK、16QAM、64QAM。实际计算也不复杂，就是对信号的几个矩做组合运算，MATLAB里用moment函数加上自定义公式就可以实现。加入高阶累积量之后，决策树的前两级可以保持不变，只是在细分类支路里增加判断节点。
5.2 深度学习端到端路线：什么时候值得换
深度学习的优势我之前说过，要在数据充足、信道复杂的情况下才值得换。具体到调制样式识别，我见过效果不错的做法是把IQ两路采样拼成一个2×N的矩阵，当作“图像”输入CNN，输出层用softmax做分类。这种方法的识别精度通常比经典决策树高，尤其是在多径衰落信道下。
但工程上有个很实际的成本：训练数据需要覆盖足够的信道场景，否则模型在真实数据上的泛化能力很差。仿真数据训练出来的模型换到真实SDR环境，通常会掉点。我的建议是，如果场景相对固定、需要快速上线，经典决策树足够；如果要做长期的平台能力建设，可以两条腿走路，决策树做保底，深度模型做增强。
5.3 从MATLAB到SDR设备实时落地的几个关键点
仿真代码跑通之后，真正的问题才刚开始：怎么搬到实时的SDR设备上跑。MATLAB提供了Coder工具箱，可以把特征提取和分类函数转成C代码，但有几个地方要提前优化。
第一，hilbert函数在Coder里支持有限，最好自己用FFT实现解析信号构造。第二，FFT长度不需要做完整长度，加窗截断到1024点或2048点足够，能省不少计算时间。第三，浮点转定点时，γmax和σdp这些统计量的动态范围比较大，要对每一级运算单独做定点范围标定，否则截断误差会在低SNR时放大。第四，如果目标平台是嵌入式处理器，可以考虑把分类器换成查表法，把特征空间离散化之后用查找表直接输出结果，这样分类部分零运算量。
最后说一个我自己的调试习惯，这个习惯帮我省了非常多时间：不管仿真还是实测，我都会把每个样本的特征值、真实标签、当前SNR一起打印出来或者画成散点图。特征分布一旦可视化，阈值怎么定、哪个特征在什么SNR下失效，全都一目了然。很多同学跑来问我“为什么识别率上不去”，我第一反应永远是：先把特征分布图发我看看。大多数时候，问题根本不在分类器，而在特征本身已经糊成一团了。
本文还有配套的精品资源，点击获取
