无线通信已成为社会运作和信息交换的重要基础。随着通信技术的快速发展，电磁频谱环境变得越来越复杂。通信信号分类与识别技术基于信号处理和模式识别理论，旨在通过分析识别接收到的信号特征和类型[1]。在复杂环境中对各种无线信号进行分类与识别对于确保通信系统性能、优化频谱资源分配以及保障信息安全至关重要[2]。
深度学习的最新进展激励研究人员将这些方法应用于通信信号的分类与识别[[3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18]]。在这一领域，深度学习模型表现出卓越的准确性和抗干扰能力[[19], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33], [34], [35], [36], [37], [38], [39]]。它们通过自动从数据中学习复杂的高维特征来实现这一目标。这种强大的能力使模型能够有效处理各种信道条件和不同类型的干扰。以下是一些实例：张X等人[40]构建了一个基于时间卷积网络（TCN-LSTM）的深度学习框架，将信号检测与调制识别整合为单一过程；刘J等人[41]提出了一种用于识别复合干扰的新算法，该算法结合了短时傅里叶变换（STFT）和残差卷积网络；Williams T等人[42]通过独特的方法提高了检测精度，他们对图像进行了小波分解，然后将低频和高频特征组合后输入卷积神经网络（CNN）进行分析；Purabi Sharma等人[43]提出了一种结合连续小波变换（CWT）和CNN的方法来识别脉冲重复间隔（PRI）调制类型，在30%的干扰环境中实现了98.2%的识别精度，克服了依赖手工特征且抗干扰能力弱的现有方法的局限性；邱Q等人[44]提出了一个混合异构深度学习框架DeepSIG，该框架整合了LSTM、基于离散小波变换（DWT）的分解与重建的ResNet1以及基于有限固定图映射的DiffPool模块，通过特征归一化和分层学习率融合训练机制，在多个数据集和少样本场景下实现了优于单输入AMC方法的分类精度。姚Y等人[45]开发了一个联合自动调制分类模型，该模型结合了卷积神经网络-长短期记忆（CNN-LSTM）和两种专家特征，首先利用归一化后的幅度谱密度零中心值和瞬时频率的归一化峰度构建宽带调频（FM）信号检测器，然后通过CNN-LSTM网络处理剩余信号，并通过Haar小波变换峰值搜索区分两种正交幅度调制信号类型，在10 dB的信噪比（SNR）下平均识别率为84.8%；胡H等人[46]提出了MFCA-Transformer网络用于调制信号识别，该网络构建了三种多维特征，并引入了通道级卷积注意力模块以增强特征通道间的信息交互，同时通过损失函数中的标签平滑机制减少对特定标签的过拟合，高SNR条件下的识别精度达到93.2%。
在信号处理中，尤其是在移动环境中，一个重要问题是信号本身具有不稳定性。当信号源或接收器不是静态的时，其功率会随距离增加而减小，从而导致信噪比（SNR）变化。因此，在这种异构条件下，识别不同类型信号的任务变得更加困难，尤其是在低SNR情况下，因为难以在不同尺度上有效提取特征。为了解决这些问题，我们提出了一个新的模型——多尺度特征融合长短期记忆（MSF-LSTM）网络。MSF-LSTM模型结合了双向长短期记忆（BiLSTM）网络、通过离散小波变换（DWT）进行基础信号分析的能力以及全局时间步长注意力机制。这种强大的组合使网络能够利用DWT提取重要的多尺度特征，而BiLSTM借助门控机制和双向结构有效捕捉长距离时间依赖性。这些组件的相互作用不仅提高了分类精度和泛化能力，还通过提高效率降低了计算成本。最终，使用MSF-LSTM模型显著提升了整体分类性能。
本研究的主要贡献在多个方面推动了该领域的发展：
1)我们的方法基于一种新颖的深度学习模型，该模型通过结合DWT和BiLSTM融合多级特征。这种架构能够有效表示信号的本质时频信息，帮助模型发现不同时间尺度和频率域中的内在模式，从而显著提升了识别复杂调制信号的能力。
2)通过使用包含18种不同通信信号类型和广泛信噪比（SNR）范围（-10 dB至25 dB）的大型数据集进行实验，验证了该框架的实际适用性。与MCLDNN和TLDNN等现有技术相比，我们的模型在所有性能指标（精度、F1分数和MAE）上均表现更优。
3)通过引入时间步长注意力机制，进一步提升了模型的性能和可解释性。该机制按设计对每个时间步长的BiLSTM输出进行加权，突出对分类最相关的时间步长。这种架构不仅提高了模型决策的可解释性，还显著增强了模型的鲁棒性和区分能力，在低至中等SNR范围内表现优于其他模型。
