神经网络是人工智能机器学习领域的一个重要分支。神经网络通过学习获得“经验”,能够解决并简化很多带有复杂计算的问题,例如图像识别、自然语言处理、机器翻译等问题。在通信领域同样有很多带有复杂计算的问题,或者希望能够简化复杂计算的问题,例如调制方式识别、信道编译码等问题。因此本文旨在研究神经网络与通信系统结合,利用神经网络去解决通信中的问题。本文所涉及的主要研究内容分为三个部分,分别是基于神经网络的调制方式识别技术,基于神经网络的信道编译码技术的研究,以及基于神经网络的调制信号参数估计的研究。下面依次介绍。基于神经网络调制信号参数估计的研究,包括调制信号的信噪比估计和调制信号的载波频率偏移估计,性能指标为在允许的误差范围内,估计准确率要达到90%以上,即参数估计误差小于允许误差范围的测试样本总数要占总测试样本数90%以上,此处规定的允许误差范围为对应参数最大取值的10%。对于信噪比估计采用基于神经网络特征提取、特征产生、特征处理的算法模型;对于载波频率偏移估计采用基于广泛仿真搭建的神经网络算法模型。最终基于神经网络实现对于调制信号信噪比估计在允许误差范围内估计准确率97.33%;调制信号载波频率偏移估计在允许误差范围内估计准确率92.22%基于神经网络的调制方式类型识别的研究,涉及的调制类型包括14种常见数字调制类型,性能指标为在指定通信信道环境下,识别平均识别准确率达到90%以上,此处指定信道为信噪比取值10d B,载波频率偏移取值±5000Hz之间随机数,载波相位偏移0～2,带有0至15个随机整数个采样点时偏的信道。采用调制类型识别网络与调制信号载波频率偏移估计网络协同工作的算法方案,将调制信号首先经过载波频率偏移估计网络进行频偏估计与矫正,再通过调制类型识别网络进行调制类型识别。包含了载波频率偏移估计和调制类型识别的整个识别网络系统在保证网络结构相对简单、网络运行效率较高的前提下,网络在指定通信信道环境下实现的平均准确率为94.98%。此外,通过软件无线电仿真测试,验证算法模型对于实际通信信号的有效性,将某信道环境下,软件仿真测试性能达到99.07%的调制类型识别网络系统,部署到软件无线电设备上进行测试,可实现一定条件下,两个软件无线电设备间对于实际通信信号调制类型96.71%的平均识别准确率。最后基于神经网络信道编译码的研究,性能指标为在高斯白噪声信道中,信噪比取值为5d B时,编译码网络的误码率能够到达10-5。采用神经网络学习获得信道编译码算法的方式,打破已有信道编译码方式的束缚。将训练好的信道编译码网络与简单的奇偶校验模块级联获得最终的编译码算法,算法误码率性能能够达到信噪比取值2.5d B时,编译码网络的误码率能够到达10-5,并且译码算法复杂度相对较低。综上本文主要对神经网络解决通信系统中的调制信号参数估计、调制方式识别和信道编译码问题作了研究。在未来神经网络与通信系统的结合将更为紧密,随着神经网络技术的不断发展,神经网络甚至将有望融入通信系统硬件设计的领域,为通信系统中,通信电路和通信设备的设计提供新的解决方案。