1、DL基础方法 30分:介绍两种以上基础DL模型实现调制识别的方法（CNN/RNN/LSTM/GRN/HYBRID等），介绍两种以上输入信号的表征形式（循环谱，时频图，眼图，星座图等），分析每种模型和表征的特点和优缺点。

一、基础DL模型实现调制识别的方法

1. CNN模型

CNN是卷积神经网络的缩写，是一种用于图像处理、语音识别等领域的神经网络模型。在调制识别中，CNN可用于特征提取。常用的CNN网络结构包括LeNet、AlexNet、VGG、ResNet等。

2. RNN/LSTM/GRN模型

RNN是循环神经网络的缩写，LSTM是长短时记忆网络的缩写，GRN是门控循环单元网络的缩写。这些模型都是用于序列数据处理的神经网络模型，能够捕捉序列数据中的时序特征。在调制识别中，这些模型可用于对时序数据的建模和分类。

3. HYBRID模型

HYBRID是指将不同的深度学习模型组合起来，来处理调制识别任务。例如，可以将CNN与RNN/LSTM/GRN模型组合，用CNN提取信号的时频特征，再用RNN/LSTM/GRN模型对时序数据进行建模和分类。

二、输入信号的表征形式

1. 循环谱

循环谱是一种将信号在时域和频域上进行分析的方法。它能够反映信号的调制特征，例如调制方式、调制深度等。

2. 时频图

时频图是一种将信号在时域和频域上进行分析的方法。它能够反映信号在时间和频率上的变化情况，例如信号的瞬时频率、瞬时相位等。

3. 眼图

眼图是一种用于分析数字信号的方法。它能够反映数字信号在传输过程中的畸变情况，例如时钟抖动、噪声等。

4. 星座图

星座图是一种用于分析数字信号的方法。它能够反映数字信号在不同调制方式下的特征，例如调制方式、调制深度等。

三、模型和表征的特点和优缺点

1. CNN模型

特点：能够提取信号的时频特征，对于非常规调制方式具有一定的鲁棒性。

优点：具有良好的特征提取能力和分类能力，能够处理多种信号类型。

缺点：对于时序数据的处理能力比较有限。

2. RNN/LSTM/GRN模型

特点：能够捕捉时序数据中的时序特征，对于时序数据具有一定的鲁棒性。

优点：能够处理时序数据，对于时序相关的信号具有较好的分类能力。

缺点：对于信号的时频特征提取能力较差。

3. HYBRID模型

特点：将多种模型组合起来，能够充分利用各个模型的优点，提高分类准确率。

优点：能够处理多种信号类型，具有较好的分类能力。

缺点：模型结构较为复杂，训练难度较大。

4. 循环谱

特点：能够反映信号的调制特征，对于调制方式的识别具有较好的鲁棒性。

优点：能够提取信号的调制特征，对于调制识别具有较好的分类能力。

缺点：对于信号的时频特征提取能力较差。

5. 时频图

特点：能够反映信号在时间和频率上的变化情况，对于分析信号的时序特征有一定的帮助。

优点：能够提取信号的时频特征，对于一些非常规调制方式具有一定的鲁棒性。

缺点：对于信号调制方式的识别能力较差。

6. 眼图

特点：能够反映数字信号的传输过程中的畸变情况，对于分析数字信号的传输质量具有一定的帮助。

优点：能够反映数字信号的传输质量，对于数字信号的分类具有一定的帮助。

缺点：对于信号调制方式的识别能力较差。

7. 星座图

特点：能够反映数字信号在不同调制方式下的特征，对于调制方式的识别具有较好的鲁棒性。

优点：能够提取数字信号在不同调制方式下的特征，对于数字信号的分类具有一定的帮助。

缺点：对于一些非常规调制方式的识别能力较差。