0 引言

　　近年来，人工智能（AI）技术迅速发展，深度学习作为一种强大的机器学习方法，已广泛应用于调制格式识别领域。深度神经网络能够自动提取并优化多维度特征，从而显著减少分类误差[1-3]。2019年，XIANG Q等人[4]提出了一种基于人工神经网络的联合精确信噪比（SNR）估计和调制格式识别方案。与卷积神经网络（CNN）和其它深度神经网络模型相比，该方案在识别性能上更胜一筹，同时所需计算资源更少。2020年，HE J等人[5]设计了一种通过聚类和高斯模型对信号调制格式进行分类的方法，并在正交频分复用可见光通信系统中进行了实验验证。该方法在保持100%识别精度的同时，所需的最小SNR比其它基于星座图的方法更低。2021年，LV H J等人[6]提出了一种基于信号幅值直方图的联合SNR监测和调制格式识别方法。该方法采用CNN模型，同时实现了SNR和调制格式的高精度识别。2022年，GAO W等人[7]设计了一种坐标合并算法，用于处理高维光脉冲传输数据。该算法在可见光通信系统中实现了更高的精度和更好的性能。2023年，梁坤等人[8]针对光纤网络链路中的传输需求，提出了一种基于联合残差网络和Bottleneck Transformer的光纤调制格式识别方法。该方法在较宽的SNR范围内具有较高的识别准确率，能够有效应对传输损伤的影响。

　　但是，上述文献提到的识别方法存在调制信号转换流程繁琐、模型性能和训练复杂程度平衡不佳的问题。因此，本文提出一种用于可见光通信信号调制格式识别的改进YOLOv5s（You Only Look Once）算法。

4 结束语

　　本文提出了一种用于可见光通信信号调制格式识别的改进YOLOv5s算法，识别了可见光通信系统中常用的4种调制格式。实验结果表明：在混合SNR条件下，所提改进算法的mAP高达0.903，比原始YOLOv5s算法提升了0.7%；比SSD算法、Faster R-CNN算法和YOLOv3算法分别提高了52.3%、43.1%和1%。本文方法为多类型的调制格式识别提供了可行思路。在未来工作中，可以考虑对信号时频图进行降噪处理及进一步优化网络结构，以提升识别精度。