调制技术可以提高信息交换的效率和可靠性。

在非合作通信系统中，调制识别（MR）被广泛用于识别未知信号的调制模式。最大似然假设，模式识别和深度学习是MR的典型传统方法。最大似然假设方法主要包括平均，广义和混合似然比算法[1-3]。他们可以通过建立损耗函数和分类阈值来区分不同的调制模式。但是，最大似然假设方法的复杂性太高。

模式识别方法包括两个核心阶段：手动特征提取和分类。提取各种信号瞬时统计数据并将其输入到决策树中以识别信号调制模式[4]。 Swami等提取调制信号的四阶统计量， 分析了各种信噪比（SNR）下的识别精度[5]。 随着计算机技术的发展，深度学习取得了长足的进步[6-8]。 基于深度学习的MR方法也得到了广泛的研究[9-11]。 O’Shea等。 提出了一个卷积神经网络（CNN），它由两个卷积层和两个紧密连接的层组成[12]。 CNN可以自动提取信号特征并输出分类结果。 Bouchou等。 提取调制信号的六阶统计量，并将其输入到两层自动编码器中以识别其调制模式[13]。 当SNR高时，这些识别方法可以实现高识别精度。 但是，当SNR低时，它们的识别精度会大大降低。 因此，我们的研究重点是在低信噪比下提高识别方法的准确性。

本文提出了一种预降噪（PDN）算法，该算法在MR方法之前使用。 PDN 该算法可以提高调制信号的信噪比，提高MR方法的准确性。 此外，我们评估了PDN算法的降噪性能及其对MR方法的促进作用。

PDN算法类似于cnn，使用卷积层、leaky rulu、batch_normalization、skip function等。PDN-CNN结构如下。

 论文测试数据：2ASK 4ASK 2FSK 4FSK 16QAM 64QAM  SNR:-12dB~2dB，每个信号包含64个数据点，生成的每个星座图有64点

 论文对比模型：常见的cnn

结果：