基于卷积神经网络的调制信号识别算法

发布时间：2024-03-07 02:06

　　针对基于特征提取的调制信号识别算法准确性不高的问题,将卷积神经网络(Convolutional Neural Network, CNN)应用于调制信号识别,实现调制信号的空间和时序特征的自学习,避免了传统算法中特征选择和提取步骤,提高了识别准确率。调制信号样本为RaidoML2016.10a国际标准数据集,实验结果表明,CNN的识别准确率优于传统的调制信号识别算法。

【文章页数】：5 页

【部分图文】：

图1无线通信系统组成

式中：x(t)为按照时间t发送的信号；f(t)为调制类型；符号“?”为卷积操作；h(t)为信道效应；n(t)为加性噪声。给定接收信号y(t),调制识别旨在预测f(t)的调制类型。1.2调制信号的累积量特征

图2基于CNN的调制识别模型

在使用CNN模型[14-17]进行调制识别时，由于CNN具有空间特征学习能力，可直接对调制信号的IQ分量进行处理，本节将信号的原始样本作为网络的输入。信号样本采用国际标准数据集RML2016.10a_dict[19]。样本χ由信号的同相和正交分量组成。由于样本维度较小，本文设计的....

图3CNN与SVM、KNN的识别准确率对比

将CNN与两种特征提取的调制识别算法进行对比。特征提取的调制识别算法使用的信号专家特征为1.2节中提到的四阶累积量特征。对比的是SVM和KNN两种算法，准确率对比如图3所示。可见，在信噪比为-20～-16dB时，CNN、SVM以及KNN算法的识别准确率均在10%左右。随着信噪比....

图4在信噪比为-18dB时CNN的混淆矩阵

针对RML2016.10a数据集中多种调制类型，进一步研究CNN的识别性能，利用混淆矩阵来观察每个类型的识别情况。混淆矩阵的横坐标为样本的网络预测信号类型(预测标签),纵坐标为这些样本的实际信号类型(真实标签)。图4为CNN在信噪比为-18dB时的识别结果混淆矩阵。在混淆矩阵的....

本文编号：3921221