基于深度学习的数字调制信号识别算法研究
发布时间：2020-10-11 19:50
大容量、高速率的信息传输需求极大地推动了认知无线电领域的技术发展,其中,复杂电磁环境中信道均衡及通信调制类型识别技术,是该领域重要组成之一。传统的均衡处理主要是利用梯度下降法逼近信道特征,在时域或频域对信号进行逆卷积运算,以抑制信道干扰和畸变,改善系统响应;而传统的调制识别方法主要通过提取信号的专家特征,选择合适的分类器进行识别。近年来,许多先进的卷积神经网络架构及优化算法相继提出,深度学习在多个领域都取得了突破性的成果。基于卷积神经网络对原始输入的抽象特征学习能力,本文对其在信号去噪、信道均衡及调制识别等方面的应用进行了深入研究,其主要贡献如下:1)针对目前深度学习架构及其优化算法难以学习通信复基带信号结构性特征的现实,本文提出了一种多路并行复数卷积神经网络架构,以满足全数字通信信号复基带处理需求。该架构通过并行支路学习基带信号实部与虚部的结构化特征,在输出时按一定规则融合得到最终输出,实现了对复数值映射的拟合过程。2)针对传播信道引入的噪声干扰与畸变问题,综合讨论了去除加性噪声和信道均衡的传统方法,设计了一种基于多路并行卷积神经网络的端到端方法,可将两个问题统一解决。进一步地,为了验证方法的可行性及其性能,论文进行了仿真实验:利用MATLAB对调制信号进行信道损害及加噪处理;分别采用传统方法与本文方法对信号进行恢复处理;通过数字解调,计算对比输出误符号率。结果显示:本文所提出的方法较传统方法具备更强更全面的信号恢复能力。3)采用了一种“信号恢复预处理+调制识别”的方案,并在调制识别阶段采用了将多路并行架构与传统架构串联的方式构建卷积神经网络。论文讨论了卷积网络中卷积层输出的抽象特征,以及专家特征等两类类型特征对识别精度的影响,对比了常用机器学习模型在调制识别任务上的性能表现。实验结果表明抽象特征结合专家特征在集成学习模型分类中表现最好。4)为了验证本文所提出方案在真实环境中的可行性,本文采用NI-USRP2920作为通信信号收发装置,建立了真实通信环境实验平台,完成了算法测试与验证。结果显示,本文所提出的方案可以满足在真实环境下调制识别的需求。由于现实环境中存在着更多的干扰(例如收发时钟不同步),其识别率略低于仿真实验的结果。
【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】：TP18;TN911.3
【部分图文】：
??图２－ｌ（ａ）（ｂ）（ｃ）是ＭＰＳＫ?（Ｍ＝４，８，１６）信号的星座图，ＭＰＳＫ信号的每一个星座点距??离复平面原点都是恒等的，随着调制阶数Ｍ的增加，不同星座的间距缩小。图２－??ｌ（ｄ）（ｅ）（ｆ）是ＭＱＡＭ（Ｍ＝１６，３２，６４）信号的星座图，与ＭＰＳＫ相比，ＭＱＡＭ信号增??加了振幅信息，在同调制阶数下（例如图２－ｌ（ｃ）、（ｄ），Ｍ＝１６），ＭＱＡＭ信号的星??座间距更大，对于由加性噪声引起的小幅度相位、振幅偏移有更强的抵抗性。对于??星座型调制信号，星座图是一个非常直观的结构性特征，文献［２４］则是利用星座图??对调制信号进行识别。然而对于ＭＦＳＫ、ＧＭＳＫ等非星座调制型信号，其采样点??在复平面表现为无规律旋转，无法对其进行有效地判断。??２）谱相关函数（ＳＣＦ）??调制信号是周期平稳信号
?第二章系统建模以及深度学习理论概述???ｙ｛ｎ）?＝?ｓ｛ｎ）?＊?ｈ（ｎ）?＋?ｖ（ｒｉ）?（２－１７）??其中，为卷积运算符。在工程领域中，研宄者大都采用式（２－１７）来近似表达调??制信号与通信信道之间的关系，本文也将以此为基础，对信号的去噪，抗信道效应??等进行讨论与研宄。??同向分量??
?第二章系统建模以及深度学习理论概述???ｙ｛ｎ）?＝?ｓ｛ｎ）?＊?ｈ（ｎ）?＋?ｖ（ｒｉ）?（２－１７）??其中，为卷积运算符。在工程领域中，研宄者大都采用式（２－１７）来近似表达调??制信号与通信信道之间的关系，本文也将以此为基础，对信号的去噪，抗信道效应??等进行讨论与研宄。??同向分量??
【参考文献】
本文编号：2837038
【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】：TP18;TN911.3
【部分图文】：
??图２－ｌ（ａ）（ｂ）（ｃ）是ＭＰＳＫ?（Ｍ＝４，８，１６）信号的星座图，ＭＰＳＫ信号的每一个星座点距??离复平面原点都是恒等的，随着调制阶数Ｍ的增加，不同星座的间距缩小。图２－??ｌ（ｄ）（ｅ）（ｆ）是ＭＱＡＭ（Ｍ＝１６，３２，６４）信号的星座图，与ＭＰＳＫ相比，ＭＱＡＭ信号增??加了振幅信息，在同调制阶数下（例如图２－ｌ（ｃ）、（ｄ），Ｍ＝１６），ＭＱＡＭ信号的星??座间距更大，对于由加性噪声引起的小幅度相位、振幅偏移有更强的抵抗性。对于??星座型调制信号，星座图是一个非常直观的结构性特征，文献［２４］则是利用星座图??对调制信号进行识别。然而对于ＭＦＳＫ、ＧＭＳＫ等非星座调制型信号，其采样点??在复平面表现为无规律旋转，无法对其进行有效地判断。??２）谱相关函数（ＳＣＦ）??调制信号是周期平稳信号
?第二章系统建模以及深度学习理论概述???ｙ｛ｎ）?＝?ｓ｛ｎ）?＊?ｈ（ｎ）?＋?ｖ（ｒｉ）?（２－１７）??其中，为卷积运算符。在工程领域中，研宄者大都采用式（２－１７）来近似表达调??制信号与通信信道之间的关系，本文也将以此为基础，对信号的去噪，抗信道效应??等进行讨论与研宄。??同向分量??
?第二章系统建模以及深度学习理论概述???ｙ｛ｎ）?＝?ｓ｛ｎ）?＊?ｈ（ｎ）?＋?ｖ（ｒｉ）?（２－１７）??其中，为卷积运算符。在工程领域中，研宄者大都采用式（２－１７）来近似表达调??制信号与通信信道之间的关系，本文也将以此为基础，对信号的去噪，抗信道效应??等进行讨论与研宄。??同向分量??
【参考文献】
相关期刊论文 前7条
1 江伟华;曹秀岭;童峰;;采用支持向量机的水声通信信号调制识别方法[J];厦门大学学报(自然科学版);2015年04期
2 曾创展;贾鑫;朱卫纲;;通信信号调制方式识别方法综述[J];通信技术;2015年03期
3 尹宝才;王文通;王立春;;深度学习研究综述[J];北京工业大学学报;2015年01期
4 张春磊;杨小牛;;认知电子战与认知电子战系统研究[J];中国电子科学研究院学报;2014年06期
5 程汉文;朱雷;吴乐南;;基于累计量的干扰信号调制识别算法[J];电子与信息学报;2009年07期
6 张宏苏;;通信信号的调制识别技术综述[J];科技资讯;2007年20期
7 张立毅,张雄,王华奎,沙定国;盲均衡技术及其发展[J];太原理工大学学报;2002年06期
本文编号：2837038
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2837038.html
