基于半监督联合神经网络的调制识别算法

发布时间：2021-04-08 07:36

　　针对基于有监督学习通信信号分类算法需要大量有标签训练样本,而在实际场合大多无法满足数量要求的问题,提出利用数据驱动模型的半监督学习方法,通过对比预测编码无监督算法预训练和有监督学习相结合,利用LSTM （long short term memory）和ResNet （residual network）联合神经网络实现小样本自动提取特征,提高小样本条件下信号识别准确率。在真实通信调制信号集上实验表明,半监督联合神经网络结构较以往方法,识别准确率提升3%～20%,小样本条件下性能提高60%,同时在低信噪比条件下识别能力突出,0 dB时对11种调制信号平均识别正确率达到92%,具有明显优势。 

【文章来源】：信号处理. 2020,36(02)北大核心CSCD

【文章页数】：9 页

【部分图文】：

图５?ＬＳＴＭ－ＲｅｓＮｅｔ神经网络结构示意图??Ｆｉｇ．?５?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＬＳＴＭ－ＲｅｓＮｅｔ?ｎｅｕｒａｌ??

１０?０．００?０．０１?０．０１?０．０１?０．００?０．００?〇．〇〇?ｏ．ｏｏＢＲＨｑ．ｏｏ??ＷＢＦＭ?－０?００?０?２４?０?００?０?００?０?００?０?００?０?００?０?００?°－００?０?００??预测类型??图７信噪比为－２?ｄＢ预测混淆矩阵??Ｆｉｇ．?７?Ｃｏｎｆｕｓｉｏｎ?ｍａｔｒｉｘ?ｆｏｒ?ｊｏｉｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?ａｔ?－２?ｄＢ?ＳＮＲ??０．０??１０?２０?５０?１００?２００??每类信号带标签样本数量??５００?１０００??图６半监督学习ＣＰＣ算法－２?ｄＢ、０?ｄＢ、１０?ｄＢ??練下４＃本輿别准确率??Ｆｉｇ．?６?Ｒｅｃｏｇｎｉｔｉｏｎ?ａｃｃｕｒａｃｙ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ??ｌｅａｒｎｉｎｇ?ｗｉｔｈ?ＣＰＣ?ａｔ?－２?ｄＢ、０?ｄＢ、１０?ｄＢ?ＳＮＲ??减少，当本文方法识别率达到有、监督学习识别率??时／太鐘＇＿?—ｗｌｉ：耗时约８．?ｍｉｌ＊。??实验３考察文中箅法对数据集中包含的１１??种模拟和数学调制样式在特途信噪比条件下的类??间识别概篆，由？?７？图９可以看出本文算法具备??一定的抗曝声ｆｆｅ力．，＃－２?ｄＢ能够达到９０＿％识：别准??确率ｔ，实验发现，８ＰＳＫ、ＱＰＳＫ、ＷＢＦＭ、ＡＭ－ＤＳＢ?信??号易出现混淆，分析可能因为ＩＱ数据转．为瞬时参数??后，ＩＳＭ?＿络特征＿取更倾向表达幅凰相??位、频率的数值规律，对调制阶数相近的信号容易??出现误识别，在ＱＡＭ１６和ＰＡＭ４也体现这种情况，??反而ＱＡＭ１６和ＱＡＭ６４这类调制阶数相差较大的??

＾〇．〇〇?〇．〇〇〇．〇〇〇．〇〇??〇．〇〇〇．〇〇〇．〇１?０．００?０．００?０．００?０．１１＾＾０．００?０．００?０．００??０．００?０．００?０．０３?０．００?０．００?０．００?０．００?０．０５?０．００?０．００??０．１０?０．００?０．０１?０．０４?０．００?０．００?０．００?０．００?０．００＾＾０．００??０．００?０．２４?０．００?０．００?０．００?０．００?０．００?０．００?０．００?ｏ．ｏｏｌ??ｗ雜ｙ??■０．４??－０．２??图８信噪比为ＯｄＢ预测混淆矩阵??Ｆｉｇ．?８?Ｃｏｎｆｕｓｉｏｎ?ｍａｔｒｉｘ?ｆｏｒ?ｊｏｉｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?ａｔ?０?ｄＢ?ＳＮＲ??ＬＳＴＭ－ＲｅｓＮｅｔ?混淆矩阵（ＳＮＲ＝１０）??ｏ．ｏｏＢ－??ｏ．ｏｏ?ｏ．ｏｏｎ??ｏ．ｏｏ?ｏ．ｏｏ?ｏ．ｏｏｎ??〇．〇〇〇．〇〇〇．〇０?ｃ??〇．〇〇〇．〇〇〇．〇０?ｃ??０．００?０．００?０．００?０．００?０．００?０．００??０．００?０．００?０．００?０．００?０．００?ｃ??０．００?０．００?０．００?０．００?０．００?０．００?０．００?０．００１??０．０６?０．００?０．０１?０．０１?０．００?０．００?０．００?０．００?ｃ??ｆ?ＧＦＳＫ－??ＰＡＭ４－??ＱＡＭ１６－??ＱＡＭ６４－??ＱＰＳＫ－??ＷＢＦＭ??．０．００?０．１０?０．００?０．００?０．００?０．００?０．００?０．００?０．００?０．００??４费满《雜ｙ??预测类型??图９信噪比为１０?ｄＢ预测混淆矩阵??ｉｇ．?９?Ｃｏｎｆｕｓｉｏｎ?ｍａｔ

【参考文献】：
期刊论文
[1]基于卷积神经网络与时频图纹理信息的信号调制方式分类方法[J]. 白芃远,许华,孙莉.  西北工业大学学报. 2019(04)
[2]基于卷积神经网络和稀疏滤波的调制识别方法[J]. 吴灏,周亮,李亚星,郭宇,孟进.  系统工程与电子技术. 2019(09)
[3]基于高阶累积量和小波变换的调制识别算法[J]. 谭晓衡,褚国星,张雪静,杨扬.  系统工程与电子技术. 2018(01)
[4]联合时域和时频域特征的数字调制信号自动分类[J]. 代翱,张海剑,孙洪.  信号处理. 2016(11)
[5]基于高阶累积量和循环谱的信号调制方式混合识别算法[J]. 赵雄文,郭春霞,李景春.  电子与信息学报. 2016(03)

博士论文
[1]数字通信信号自动调制识别技术研究[D]. 徐毅琼.解放军信息工程大学 2011



本文编号：3125140