基于深度学习的自动调制识别技术研究

发布时间：2020-03-23 10:05

【摘要】：针对调制信号的自动调制识别,传统方法主要通过提取特征并利用机器学习算法进行分类和识别。其性能受特征提取和选择的限制,对新信号适应性较差。不同的调制信号其时域几乎包含了信号的所有信息,传统方法却无法直接处理时域数据。深度学习算法近年来在图像识别和语音信号处理领域逐渐成为主流,特别是这些算法面对的几乎都是原始图像或语音数据。鉴于此,本论文探讨了深度学习算法及时域数据在调制识别领域的应用,主要研究内容如下:1.针对常见的通信信号,提出了基于卷积神经网络时域数据调制识别算法-SCC-CNN,相比于传统算法其性能提升了 3-5dB,且无需专家知识提取特征。2.提出了基于循环神经网络的时域数据调制识别算法,其性能相比公开算法提升0.5-1dB,且相比SCC-CNN,其具有可比的性能。3.针对开集调制识别,本论文探索了基于深度学习统一特征表示的开集调制识别算法,该算法通过深度学习算法来学习具有鉴别性的特征,之后对特征进行分布拟合,利用特征分布完成开集情况的调制识别。两个数据集的开集识别性能分别提升了 14.2%和 24.4%。4.在FPGA平台上对简化算法-CB-CNN进行了定点压缩及硬件实现。
【图文】：

逑［６６］。和ＤＢＮ不同的是，ＤＢＭ整个都是无向图模型，同样没有层内连接，图２．１邋（ｃ）是逡逑一个典型的ＤＢＭ。对于一个由１个可视层ｖ和３个隐层／？（１），Ａ（２），／ｚ（３）组成的ＤＢＭ，考逡逑虑二元单元组成的情形，则基于能量函数可以给出联合概率分布：逡逑Ｊｐ（ｖ，／ｉ（Ｉ），／ｉ，２＞，／ｉ＜３））邋＝邋－＾－ｅｘｐ（－￡（ｖ，／ｉ（１），／２（２），／Ｊ（３）；０））逦（２－１２）逡逑Ｚ（０）逡逑为简化表达，在下面的式中省去参数，则ＤＢＭ的能量函数可定义如下：逡逑Ｅ（ｖ，，ｈ°＼ｈｍ，ｈＯ）；０）邋＝邋－ｖＴＷｍｈ｛１）邋￣ｈ＾ＴＷｍｈｗ－ｈａ）ＴＷ０）ｈ０）逦（２－１３）逡逑和ＲＢＭ的能量函数不同的是，ＤＢＭ的能量函数包含了隐层之间的加权乘积，这些逡逑连接对模型的行为和模型推理的过程都有重要影响。逡逑对于两个隐层的ＲＢＭ，条件概率为：逡逑）邋＝邋？＇）＃））逦（２－１４）逡逑尸（＇⑴逦＋逦（２－１５）逡逑＾（＼（２）邋＝邋ｌ｜／ｉ（１））邋＝邋0－（／ｉ（ｌ）Ｊ＾２））逦（２－１６）逡逑由于ＤＢＭ是一个无向图模型

ｉ是输入数据ｘ被噪声所污染后的数据，而ＤＡＥ则需要在去除噪声的基础上恢逡逑复原始输入数据ａｔ，即ＤＡＥ最终的输出是原始的未经污染的数据。逡逑ＤＡＥ的训练过程如图２．３所示，引入条件分布Ｃ（ｉ｜ｘ）来表示数据被污染的过程，逡逑而自动编码器则学习到一个重构数据的分布（ｘ邋｜幻来估计训练对（＊ｖ，幻。逡逑１０逡逑１逡逑
【学位授予单位】：中国工程物理研究院
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN911.3;TP18

【参考文献】

相关期刊论文 前7条

1 李红;;浅析通信信号调制识别方法[J];科技创新与应用;2015年34期

2 童年;李立春;;非重构压缩样值的MPSK信号最大似然调制识别[J];信息工程大学学报;2015年05期

3 高新;姚远程;秦明伟;;一种基于小波变换和统计特征的数字信号调制模式识别方法[J];现代电子技术;2014年19期

4 蔡兴;王建敏;;软件无线电系统中的调制识别系统组成及识别方法[J];江西科技师范大学学报;2013年06期

5 吴量;江桦;崔伟亮;;利用循环平稳性检测和支持向量机的调制信号分类[J];应用科学学报;2013年06期

6 靳晓艳;周希元;;一种最大似然调制识别的快速算法[J];系统工程与电子技术;2013年03期

7 程汉文;吴乐南;;基于多天线接收机的信号调制方式识别[J];信号处理;2009年02期

相关硕士学位论文 前3条

1 刘锦宇;无线信道中典型通信信号模式识别技术研究[D];北京邮电大学;2015年

2 王栋;基于循环相关的调制模式识别及参数估计研究[D];西南交通大学;2014年

3 张成根;航空通信中数字通信信号的调制识别研究[D];郑州大学;2014年

本文编号：2596570