高阶矩和累积量等循环平稳特征通常用于检测和分类数字调制信号。然而，这些预测变量可能并非相互不相关，这引起了人们对潜在多重共线性可能导致冗余信息并显着影响质量预测的担忧。本报告探讨了用于检测和减轻循环平稳特征中的多重共线性的机器学习和统计方法。我们的研究检查了九种信噪比上九种调制类型的合成电磁波对应的特征。实证结果表明，方差膨胀因子（VIF）方法和预测变量相关矩阵的特征分解在检测多重共线性方面是有效的。此外，使用主成分分析 (PCA) 技术进行特征转换使我们能够识别对预测模型性能影响较小的主成分。