面向MQAM信号图域调制识别方法研究与实现
发布时间：2020-12-17 05:41
自动调制分类（Automatic Modulation Classification,AMC）可以自动识别待检测信号的调制类型,信号的调制类型是通信信号的重要信息,因此调制识别是通信信号处理领域内的重要一环。在如电子战、认知无线电、频谱监测、机载车载通信等实际应用中,AMC分类器是担任重要任务的智能接收器,这些应用普遍追求更高的频谱效率和容错率,而M-QAM调制方式的通信信号正好满足了这一需求。但是,对M-QAM调制方式的通信信号的使用也面临着技术挑战。主要体现在MQAM信号的循环谱特征相似,且随着阶数的增加,高阶MQAM信号累积量间的差异变小,其特征变得非常难以区分。这使得信号接收机识别MQAM调制阶数使用常规手段实现类內AMC成为一个具有挑战性的难题。本文根据近几年来提出的图域数字信号处理（Digital Signals Processing on Graphs,DSPG）理论,展开对MQAM调制类型通信信号类内识别及其算法实现的研究,制定了新算法从仿真验证到算法实现的技术路线。主要研究内容和技术路线分为三部分。1.根据DSPG理论,结合...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
认知无线电的结构示意图
电子科技大学硕士学位论文2图1.1认知无线电的结构示意图频谱监测是无线电监测系统的重要组成部分。如图1.2是无线电监测原理示意图。图1.2频谱监测结构示意图
电子科技大学硕士学位论文6图1.3通信系统的调制识别1）MQAM通信信号调制识别国内外现状2009年，F.Hameed和OADobre使用混合似然比法在计算接收信号的概率密度函数时，把信号星座点进行平均化处理[31]，虽然这种方法不需要先验信息，但是由于高阶MQAM信号有数量更多的星座点，因此这种方法会带来难以忍受的计算量。2016年，AbdelmutalabA等人提取了信号的基带数据[32]，并计算了高阶累积量（HOS）作为识别区分依据，设计了一种基于高阶累积量的层次多项式识别分类器。2017年，MihandoostS等人对信号进行离散小波变换（DWT）之后[33]，提取相应的小波分解系数，利用支持向量机（SVM）实现了部分MQAM信号的识别分眩ShiQinghua，KarasawaY利用非相干极大似然（ML）方法[34]对正交调幅信号进行分类，该方法对频率失配和相移具有很强的鲁棒性。为了降低最优非相干最大似然分类的复杂性，提出了两个在各种条件下都表现良好的次优选择。从高信噪比近似得出结论，这个次优方案可以提供接近最优的性能。2017年，LiuXiaoyu等人把深度学习[35]来完成无线信号调制识别任务的价值，引入了一个卷积无线电调制识别网络框架，使用GNUradio生成一个数据集，该数据集模拟了真实无线信道中的缺陷，并对包括MQAM信号在内的10种不同的调制类型进行识别。此外，还开发了卷积神经网络（CNN）体系结构，并证明其性能优于基于已有的方法。在遵循卷积无线电调制识别网络的框架情况下，发现了深层的神经网络架构，提供比利用此网络框架的已有技术状态更高的精度。在高信噪比的情况下，把识别调制类型的正确率从75%提高到83.8%。最后，该文献根据最近引入的残余网络（ResNet）和密集连接网络（DenseNet）的思想开发架构，以实现高信噪
本文编号：2921502
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
认知无线电的结构示意图
电子科技大学硕士学位论文2图1.1认知无线电的结构示意图频谱监测是无线电监测系统的重要组成部分。如图1.2是无线电监测原理示意图。图1.2频谱监测结构示意图
电子科技大学硕士学位论文6图1.3通信系统的调制识别1）MQAM通信信号调制识别国内外现状2009年，F.Hameed和OADobre使用混合似然比法在计算接收信号的概率密度函数时，把信号星座点进行平均化处理[31]，虽然这种方法不需要先验信息，但是由于高阶MQAM信号有数量更多的星座点，因此这种方法会带来难以忍受的计算量。2016年，AbdelmutalabA等人提取了信号的基带数据[32]，并计算了高阶累积量（HOS）作为识别区分依据，设计了一种基于高阶累积量的层次多项式识别分类器。2017年，MihandoostS等人对信号进行离散小波变换（DWT）之后[33]，提取相应的小波分解系数，利用支持向量机（SVM）实现了部分MQAM信号的识别分眩ShiQinghua，KarasawaY利用非相干极大似然（ML）方法[34]对正交调幅信号进行分类，该方法对频率失配和相移具有很强的鲁棒性。为了降低最优非相干最大似然分类的复杂性，提出了两个在各种条件下都表现良好的次优选择。从高信噪比近似得出结论，这个次优方案可以提供接近最优的性能。2017年，LiuXiaoyu等人把深度学习[35]来完成无线信号调制识别任务的价值，引入了一个卷积无线电调制识别网络框架，使用GNUradio生成一个数据集，该数据集模拟了真实无线信道中的缺陷，并对包括MQAM信号在内的10种不同的调制类型进行识别。此外，还开发了卷积神经网络（CNN）体系结构，并证明其性能优于基于已有的方法。在遵循卷积无线电调制识别网络的框架情况下，发现了深层的神经网络架构，提供比利用此网络框架的已有技术状态更高的精度。在高信噪比的情况下，把识别调制类型的正确率从75%提高到83.8%。最后，该文献根据最近引入的残余网络（ResNet）和密集连接网络（DenseNet）的思想开发架构，以实现高信噪
本文编号：2921502
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2921502.html
