基于机器学习的高阶调制信号识别技术研究

发布时间：2020-06-06 14:48

【摘要】：随着无线通信技术的不断发展和通信服务需求的日益增长,新型无线通信设备和服务层出不穷,为人们的日常生活带来了极大的便利,同时也使得无线电磁环境愈加复杂。这直接导致简单的信号检测技术或者传统的信号识别方法无法为无线电监测系统提供高精度、高鲁棒性的频谱感知和分析能力。为了解决这一问题,本文旨在采用机器学习方法,解决复杂电磁环境下的高阶调制信号识别问题,以提高调制方式识别的准确性和鲁棒性。本文主要内容如下:1.基于多基因遗传编程与结构风险最小化原则的信号调制方式识别方法本文提出了一种基于多基因遗传编程(Multi-gene genetic programming,MGP)与结构风险最小化原则(Structrual risk minimization principle,SRMP)的信号调制方式识别方法(GPMC)。该方法使用累积量作为原始判别特征,并可分为训练和识别两个阶段。训练阶段中,在基于结构风险最小化原则的目标函数的指导下,基于多基因遗传编程的特征工程将高阶累积量特征转化为MGP特征并迭代优化,直到获得判别能力更强的最优MGP特征。通过上述训练过程,可以获得将原始累积量特征转化为最优MGP特征的特征优化函数,以及基于最优MGP特征的SRMP分类模型。此外,我们设计了自适应遗传运算,用于优化所提出的方法的训练效率与收敛性。在识别阶段,首先使用特征优化函数获取目标信号的最优MGP特征,然后输入到SRMP分类模型中,由其输出判别结果。仿真结果表明,在加性高斯白噪声信道和衰落信道下,提出的GPMC方法在识别正确率和鲁棒性等方面均明显优于其他现有基于累积量的调制方式识别方法。2.基于网格星座矩阵与全卷积对比网络的信号调制方式识别方法鉴于人工设计的统计特征对调制信号表征不完备和表征缺少差异化的缺点,本文将深度学习方法应用于调制识别领域,提出了一种基于网格星座矩阵与全卷积对比网络的信号调制方式识别方法(CFCN),以进一步提升调制识别性能。该方法首先通过计算复杂度极低的预处理方法,将接收到的信号采样转化为网格星座矩阵;然后,使用全卷积网络结构从维度各异的网格星座矩阵中提取多种常用高阶调制信号的高维表征,并构造分类模型。此外,为了扩大不同调制信号在特征空间中的表征差异,我们设计了对比损失函数训练该网络,以增强高维表征的判别能力。大量仿真实验证明,相比于基于统计特征和其他基于深度学习的调制方式识别方法,所提出的CFCN方法具有更显著的性能增益和更低的计算复杂度。最后对本文的主要工作进行了总结,并且对未来相关研究进行了展望。
【图文】：

ａｒｇｆ｝表示求解相位。逡逑作为频谱效率较高的调制方式，Ｍ－ＰＳＫ和Ｍ－ＱＡＭ被广泛应用在现有通信标逡逑准和通信系统中。为了更加直观的呈现高阶调制信号的特点，在图２－１中展示了逡逑几种常用的高阶ＰＳＫ和ＱＡＭ的信号星座图。逡逑８逡逑

差在信号处理周期内保持恒定。表示频率偏移，，由接收机的移动性产生，通逡逑常假定为常数。相比于ＡＷＧＮ信道，衰落信道为接收信号引入了更多的不确定逡逑性，对信号调制方式识别的准确性和鲁棒性带来了更大的挑战。图２－３展示了逡逑ＱＰＳＫ和１６ＱＡＭ信号经过衰落信道后接收信号的星座图。为了更加清晰的表现逡逑衰落信道对信号的影响，图２－３（ａ）、图２－３（ｂ）和图２－３（ｃ）、图２－３（ｄ）分别考虑了相逡逑位偏移和频率偏移，其中，相位偏移设为１５°，频偏偏移经过米样频率归一化，逡逑旋转角度约２３°邋．此外，为了贴合实际的信道条件，在后续的衰落信道仿真中，逡逑我们依旧会考虑ＡＷＧＮ的影响。逡逑２ｒ逦２逡逑０邋１逦＾逦①邋１逦－逦？逦？逡逑Ｂ逦＃逦Ｂ逦？邋？逦？邋＊逡逑１逦0ｉ逦！？逡逑（０逦０３逡逑１３逦？逦＝３逦？邋？逡逑0邋－１邋ｒ逦0－１逦？逡逑＿２邋＾＂邋＿２邋逦＾逦■逦逦逦！逡逑－２－１０１２邋－２－１０１邋２逡逑Ｉｎ－ｐｈａｓｅ逦Ｉｎ－ｐｈａｓｅ逡逑（ａ）邋ＱＰＳＫ，邋６？0＝１５°逦（ｂ）邋１６ＱＡＭ，邋６？0＝１５°逡逑２逦２－逡逑２逦、逦２邋１逡逑５邋0－逦Ｅ邋0．邋１邋＊邋＾邋＼逡逑］逦Ｖ逦＝５逡逑ａ邋－１逦ｏ邋－１逦、逡逑＿２逦逦＾逦逦逦邋＿２逦＇逦．逦逦逦．逡逑－２－１０邋１邋２邋－２－１０１２逡逑Ｉｎ－ｐｈａｓｅ逦Ｉｎ－ｐｈａｓｅ逡逑（ｃ）ＱＰＳＫ，邋ｆ0＝０．５ｘ１0－４逦（
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN911.3;TP181

【相似文献】

相关期刊论文 前10条

1 徐t

本文编号：2699837