基于特征提取与学习的无线通信数字调制方式自动识别方法研究

发布时间：2020-08-14 23:43

【摘要】：调制识别是通信系统中一个重要的研究领域,它处于信号检测与信号解调之间,能够确保通信安全可靠的关键技术之一。在不同领域中得到广泛应用,因此研究调制方式的自动识别具有重要意义。本文有针对性的研究了如何降低噪声对特征参数的影响,设计更好的分类方法,从而提高整体识别的效果。本文主要研究内容工作集中在以下几个部分:首先,研究了一种基于SAE-SOFTMAX的高阶统计特征提取技术,包括该技术的特征提取方法及其步骤。融合了SAE与SOFTMAX,结合高阶累积量实现调制方式特征的快速提取与识别。其次,针对现有调制识别方法对调制方式类型受限,且在低信噪比下识别率不高的问题。研究了一种基于深度学习的调制识别方法。该方法利用零均值高斯白噪声的高阶累积量理论值为0的性质,在信号分析过程中引入高阶累积量,可使系统免受高斯白噪声的干扰。同时,引入深度学习网络结构完成微弱特征的表征,结合三种特征参数,可有效解决低信噪比情况下识别率下降的问题。然后,针对工程实践中先验数据比较少,利用支持向量机具有更好的泛化能力,研究了一种基于支持向量机特征学习的调制识别算法。该方法利用高阶累积量对各种数字调制信号进行运算,再将各高阶累积量构建为识别参数。通过引入支持向量机进行调制方式的识别,最终对七种调制方式实现了较好的识别。最后,实验结果表明:基于深度学习的调制识别方法具有很好的识别效果,在高斯信道环境下的分类精度比现有方法要高,在低信噪比的不同信道环境下有较高的识别率,且使得模型的时间、相位和频率偏移量方面具有更好的鲁棒性。基于支持向量机特征学习的调制识别方法具有更少的表征参数,能够很好的适用于小样本测试环境,识别效果显著。
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN92;TP18

【参考文献】

相关期刊论文 前10条

1 付俊强;李蓉;赵成林;李斌;;基于贝叶斯序贯推理的自适应调制识别算法[J];系统工程与电子技术;2015年12期

2 李一兵;葛娟;林云;;基于熵特征和支持向量机的调制识别方法[J];系统工程与电子技术;2012年08期

3 赵春晖;杨伟超;马爽;;基于广义二阶循环统计量的通信信号调制识别研究[J];通信学报;2011年01期

4 潘毓;;基于调制技术的应用[J];企业导报;2011年01期

5 胡国兵;刘渝;;基于信号抽取与最大似然准则的特定辐射源识别[J];数据采集与处理;2009年04期

6 陈筱倩;王宏远;柯志武;;利用循环相关特征的自适应模糊调制分类[J];应用科学学报;2009年03期

7 王彬;葛临东;徐立清;刘媛涛;;一种基于信道盲辨识和盲均衡的多径信道调制方式识别算法[J];电子与信息学报;2008年08期

8 计丽霞;付晓刚;;LS-SVM在电梯交通流预测中的应用[J];上海电机学院学报;2006年03期

9 王建新,宋辉;基于星座图的数字调制方式识别[J];通信学报;2004年06期

10 孙建成,张太镒,刘枫;基于支持向量机的多类数字调制方式自动识别算法[J];西安交通大学学报;2004年06期

相关博士学位论文 前1条

1 孙永奎;基于支持向量机的模拟电路故障诊断方法研究[D];电子科技大学;2009年

相关硕士学位论文 前5条

1 胡政东;基于特征提取的调制识别系统[D];西南科技大学;2018年

2 张文启;基于特征提取的通信信号识别研究[D];兰州理工大学;2016年

3 项红亮;光子多普勒速度测量系统的数据处理方法[D];北京交通大学;2012年

4 卢娜;调制模式识别和信号特征提取的研究[D];西安电子科技大学;2008年

5 李翠萍;基于高阶统计量的非高斯ARMA模型辨识方法的研究[D];国防科学技术大学;2002年

本文编号：2793698