基于深度学习的M-QAM调制信号识别

发布时间：2021-04-25 00:41

　　随着通信技术的蓬勃发展,信号的调制方式变得多样化和复杂化,大多数情况下,接收方不知道信号的调制信息,因此如何自动识别接收信号的调制方式变得尤为重要。多进制正交幅度调制信号（MQAM）具有较高的频谱资源利用率,在无线广播等领域得到了广泛的应用。由于浅层学习方法不能提取信号的深层特征且无法有效的解决复杂问题,而且星座图特征无法有效的表达重叠信号点及密集程度等特征,因此本文使用图形星座投影（GCP）算法提取信号的图像特征,作为卷积神经网络的输入,对高斯噪声信道中的MQAM信号进行研究,主要研究内容如下:1、由于深度学习中常用的softmax loss损失函数只能使深层特征分离,没有考虑到深层特征的分布关系,针对这个缺点,将center loss深度度量学习和softmax loss相结合,提出一种新的MQAM信号识别方法,称为基于深度度量学习的MQAM信号识别方法。centerloss度量学习可以刻画样本深层特征的类内离散度,因此两个损失函数相结合可以使得深层特征类内离散度小,类间离散度大,从而使卷积神经网络学到的特征更具有判别性。本文在4QAM,8QAM,16QAM,32QAM,64QAM... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 最大似然假设检验方法
        1.2.2 统计模式识别方法
    1.3 本文的研究内容及章节安排
第二章 调制信号识别基本理论
    2.1 MQAM信号基本理论
        2.1.1 MQAM信号基本概念
        2.1.2 MQAM信号调制解调原理
    2.2 MQAM信号特征分析
    2.3 浅层学习分类器
    2.4 深度学习
        2.4.1 深度神经网络
        2.4.2 深度信念网络
        2.4.3 卷积神经网络
        2.4.4 深度学习Caffe框架概述
    2.5 本章小结
第三章 基于深度度量学习的MQAM信号识别
    3.1 引言
    3.2 接收信号模型
    3.3 图形星座投影算法
    3.4 softmax loss损失函数
    3.5 基于深度度量学习的调制识别
        3.5.1 系统模型
        3.5.2 目标函数
        3.5.3 目标函数求解
    3.6 实验仿真及结果分析
    3.7 本章小结
第四章 基于深度度量学习和特征选择的MQAM信号识别
    4.1 引言
    4.2 基于深度度量学习和特征选择的CNN
        4.2.1 系统模型
        4.2.2 目标函数
    4.3 实验仿真及结果分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]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)
[2]认知无线电中非高斯噪声下数字调制信号识别方法[J]. 刘明骞,李兵兵,曹超凤,李钊.  通信学报. 2014(01)
[3]使用小波变换的MPSK信号调制类型识别[J]. 胡建伟,汤建龙,杨绍全.  电路与系统学报. 2006(03)



本文编号：3158367