传统的调制识别存在依赖人工设计特征和在低信噪比、多径衰落等复杂环境下泛化能力差等缺点，难以应对新型调制方式和自适应调制信号等新挑战。

大语言模型通过海量无标注数据预训练与微调技术，展现出强大的通用表征学习与上下文推理能力。DeepSeek大模型作为国产先进大模型代表，具备高效轻量、支持长文本和部署简易等特点。

中孚信息基于DeepSeek大模型的信号调制智能识别技术以国产大模型为基座，突破传统识别方法在复杂电磁环境中的性能天花板，探索“预训练+轻量化微调”新范式，实现少样本、强泛化的智能识别，首次将大模型能力注入电磁安全领域，为构建“认知型”电磁防御系统提供技术雏形，实现对复杂信号调制的智能识别。

DeepSeek大模型的核心为Transformer，Transformer的自注意力机制本质是特征关联建模器，既能处理语言符号关联，也能处理信号时序关联，通过大模型构建信号深层时空特征表示，捕捉细微调制差异，同时兼容时域、频域、时频域多模态的信号特征输入。因此，将DeepSeek大模型跨领域应用于信号调制识别技术，实现电磁空间复杂信号的智能化、精准化识别具备可行性。

中孚信息研发团队创新性地提出基于DeepSeek大模型的信号调制智能识别技术，该技术通过提取信号的瞬时幅度、瞬时相位和瞬时频率等特征，构造多模态的信号特征输入，使用多模态的信号特征替代Tokenizer层和Embedding层，完成对输入层的重构；对输出层LM HEAD和损失函数进行修改和优化，实现大模型从生成式模型到分类模型的转换，利用大模型微调技术实现对11种信号调制的智能识别。

基于DeepSeek的信号调制智能识别大模型

实验采用RML2016.10a数据集进行测试，该数据集由美国海军研究实验室的 Tim O'Shea 团队于2016年发布，覆盖真实场景中信号噪声、信号衰落和信号偏移等数据，具备调制类型和SNR双重标签，支持细粒度的信号分析 ，同时被300多篇论文引用，已成为调制方式识别领域的重要资源，广泛用于算法和模型的开发和评估。数据集包含了八种数字调制信号：BPSK、QPSK、8PSK、16QAM、64QAM、GFSK、CPFSK、PAM4，以及三种模拟调制信号WBFM、AM-SSB、AM-DSB，共计11种调制类型的信号。

基于DeepSeek大模型信号调制智能识别在不同信噪比下的混淆矩阵

基于DeepSeek大模型信号调制智能识别方法整体的识别效果理想。当信噪比为4dB时，11种调制方式中，6种调制方式的识别准确率在90%以上；当信噪比为0dB，信号质量非常差时，也有5种调制方式的识别准确率在90%以上，算法具有较高的鲁棒性。

在日趋复杂的电磁环境中，研发团队成功攻克了三大技术难题：