基于深度学习的未知调制类型的信号识别

发布时间：2023-02-26 19:08

　　为了能够快速、有效、准确地传递不同性质的通信信号,发送端可以采用不同类型的调制方式,因此准确识别接收信号的调制方式成为下一步通信信号处理的重要前提。随着通信技术的飞速发展,通信环境越来越复杂,通信信号变得更加多样化和复杂化,各种类型的调制方式也不断地涌现。在某些通信应用背景下,接收方会接收到一些应用未知调制方式的通信信号,因此,如何有效地识别出未知调制类型信号成为调制识别领域的一大研究性课题。在基于特征的传统调制识别技术中,特征主要来自人工提取的专家特征,人工提取不仅耗时费力而且鲁棒性不佳。随着深度学习在语音识别以及图像处理等领域的成功应用,研究人员对深度学习的特征学习能力更加关注。鉴于调制识别领域面临的问题和深度学习的超强学习能力,本文提出了两种不同环境中的未知调制类型信号识别方法,主要研究内容如下:(1)本文针对数据库中存在大量有标签数据集的情况,提出了一种基于监督学习分类模型与降维算法相结合的未知调制类型信号识别方法。该方法建立了卷积神经网络(Convolutional Neural Network,CNN)分类模型的网络结构图,输入已知调制类型信号的I/Q分量,并选择合适的网络...

【文章页数】：77 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 课题研究背景及意义
    1.2 课题研究现状
        1.2.1 调制识别研究现状
        1.2.2 深度学习研究现状
        1.2.3 未知调制类型的信号识别研究现状
    1.3 论文的主要内容及结构安排
第二章 深度学习理论基础
    2.1 深度学习概述
        2.1.1 深度学习的研究背景
        2.1.2 深度学习的基本思想
    2.2 深度学习的网络模型
        2.2.1 深层神经网络
        2.2.2 卷积神经网络
        2.2.3 循环神经网络
    2.3 本章小结
第三章 基于监督学习分类模型的未知调制类型的信号识别
    3.1 卷积神经网络分类模型
    3.2 卷积神经网络的训练
        3.2.1 前向传播
        3.2.2 反向传播
    3.3 卷积神经网络模型的性能分析
        3.3.1 梯度下降算法对分类性能的影响
        3.3.2 迭代次数对分类性能的影响
        3.3.3 批量尺寸大小对分类性能的影响
    3.4 未知调制类型的信号识别
        3.4.1 不同降维算法性能分析
        3.4.2 特征数据对比性能分析
    3.5 仿真及结果分析
        3.5.1 数据集说明
        3.5.2 仿真环境说明
        3.5.3 识别性能分析
    3.6 本章小结
第四章 基于LSTM预测模型的未知调制类型的信号识别
    4.1 LSTM预测模型的建立
        4.1.1 LSTM预测模型的参数初始化
        4.1.2 LSTM层的构建及训练
    4.2 LSTM预测模型性能结果分析
        4.2.1 网络超参数的性能结果分析
        4.2.2 大样本数据集的性能结果分析
        4.2.3 小样本数据集的性能结果分析
    4.3 未知调制类型信号的识别
        4.3.1 高斯分布模型检测算法
        4.3.2 模型识别方法的实现
    4.4 仿真及结果分析
        4.4.1 仿真参数的设置
        4.4.2 仿真结果及分析
    4.5 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



本文编号：3750730