基于深度学习的通信信号调制识别研究

发布时间：2020-09-30 00:42

　　通信信号调制识别,是在接收机接收到一段盲信号之后,对该信号的调制方式做出识别的一个过程。调制识别在现在无线电通信中具有十分广泛的应用需求,例如在频谱管理方面,调制识别的研究可以加强对频段资源的管理和使用;在认知无线电方面,可以帮助高效地利用频谱资源;在军事通信领域方面,对通信侦查和电子对抗等等军事战场上的应用都有重要的意义;所以调制识别无论是对于民用领域还是军事领域都是一个很有热度的研究方向。调制识别通常有人工分类和基于特征提取的自动识别两种模式。而自动识别的方式也就是我们常提到的机器学习方法。深度学习也是属于机器学习方法的一个分支。深度学习作为机器学习的一个强有力的分支,是目前最接近人类大脑的分层智能学习方法,它通过建立类似于人脑的分层模型结构,突破浅层学习的限制,能够表征复杂函数关系,对输入数据逐层提取从底层到高层的特征,最终完成对复杂应用场景的建模。本文将深度学习算法应用于调制识别领域,是对新技术和传统研究方向的一种融合,具有重要的意义。本文利用卷积神经网络结构作为调制识别器模型,修正线性单元作为激活函数,交叉熵作为损失函数,Adam作为优化方法实现了基于深度学习的调制识别算法。首先对于本文使用的卷积神经网络结构针对性的制作调制信号样本。样本的制作使用的是MATLAB科学计算软件,将所有的调制信号频率搬移至中频,起到频率归一化的作用;用零均值归一化算法将信号幅值归一化;在不同信噪比下生成足够的数据作为样本。网络模型的搭建和训练在基于Tensorflow为计算后端的Keras深度学习框架中进行,在对比不同卷积层,不同输入长度的网络的性能之后得到最优模型参数。本文的最后根据实验经验得到最优模型参数并分别对卫星调制类别和超短波调制类别进行不同载噪比下的性能测试。实验表明基于卷积神经网络的调制识别器对各类调制信号都有着良好的识别性能,与传统调制识别方法相比具有自动提取特征,识别性能好,识别种类多等优越性,对调制识别领域的方法创新具有重要的价值。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN911.3;TP18
【部分图文】：

示意图,全连接,示意图,激活函数

图 2-4 全连接层示意图特性模型中非常重要的一个环节，通常添加神经网络不使用激活函数，只将每层神对于输入来讲也仅仅是一个线性映射。性很有限，并且从数据中学习复杂函数活函数，那么这个网络只能是一个线性的线性函数可以解决的，所以在神经网网络模型可以拟合任意复杂的函数，就是为此而生。从直观上来讲，激活函数，通过激活函数起到阈值判定的作用从的激活函数有很多，例如 sigmoid，ReLU

导数,函数,激活函数,神经元

第二章深度学习理论基础2.3.1 Sigmoid 激活函数在机器学习或早起的神经网络中常常用到 sigmoid 激活函数，其函数表达式可以表示为： x 1exp1Sigmoid x（2-1）有公式可以计算出，当神经元的输入信息经过 sigmoid 激活函数的作用之后，输出信息的值将会被压缩在[0,1]之间，接近 0 代表着神经元处于抑制状态，接近 1代表着神经元处于激活状态，sigmoid 函数的图像如图 2-5（a）所示。而 sigmoid的导函数可以由计算得到，在 x 值为 0 时，取得最大值 0.25，其图像如图 2-5（b）所示。

函数图像,函数图像

杂性：sigmoid 函数包含指数运算，在反向传播求导的时间。激活函数多用于二分类网络，并且由于其具有很好的门传播，所以在循环神经网络中也有广泛的应用。活函数曲函数中的一个，是双曲正切。在数学中，双曲正切正弦和双曲余弦推导而来。tanh 的函数表达式如下所tanh x 2 2 1 sigmoidxeeeexxxx函数表达式可以计算出，tanh 将实数映射到[-1,1]的区活函数输出的均值不是零中心的问题。tanh 激活函数

【参考文献】