基于深度学习的通信信号调制模式识别方法研究

发布时间：2021-06-27 20:29

　　面对复杂的电磁环境,通信信号的调制模式也日趋复杂,导致现有的通信信号调制模式识别方法不能准确、快速地识别通信信号的调制模式。现有的识别方法主要包括特征参数的提取和分类器的选择两部分,其识别率取决于通信信号的特征参数提取,且步骤较为繁琐。在低信噪比的情况下,噪声对特征参数的准确性有很大影响,使得现有的识别方法不能很好实现通信信号调制模式识别。针对低信噪比下通信信号调制模式准确识别问题,本文利用卷积神经网络（CNN）结构作为调制识别器,实现了基于深度学习的通信信号调制模式识别算法。在本文中,首先对于通信信号调制类型的产生机理和深度学习相关理论进行研究和分析,详细介绍了深度学习中卷积神经网络的网络结构、常用的激活函数和优化算法,为本文采用的基于深度学习的通信信号调制模式识别方法提供理论基础;然后,从信号的时频域出发,对通信调制信号经过时频分析后生成的特征图像进行了研究。通过对几种常用时频分析方法的对比分析,选出可以很好凸显不同信号调制模式之间的差别的时频分析方法,将时频图转换成深度网络能处理的数字图像。使用基于时频特征的调制信号图像生成算法生成深度学习网络训练所需的训练集和测试集样本;最后,... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

CNN 基本结构图

第2章通信信号调制模式识别基础理论15输入数据的局部特征。而且卷积层中每一个卷积核都不同，因此每一个子特征图包含的特征都是独有的，当卷积核的数目越多时，提取到输入数据的特征就越多。池化层：该层一般跟在卷积层后面，根据其操作原理，也可以称为下采样层。该层主要是用来减少提取到的特征数量，从而达到降低计算量，加快网络的训练过程，并使得特征具有局部平移不变性的目的。常见的池化操作主要有有最大池化、随机池化和平均池化三种。全连接层：就是普通神经网络采用的连接方式，将所有的特征都连接起来。通常，一个CNN中往往包含不止一个全连接层。输出层：该层包含的神经元个数是需要识别的种类数，对于多个目标识别时，输出层就是一个Softmax函数分类器，然后进行输出。2.卷积运算卷积运算分为连续型卷积运算和离散型卷积运算。连续卷积的公式如式(2.19)所示，离散卷积的公式如式(2.20)所示。连续卷积公式：ytxshtsdsxtht（2.19）离散卷积公式：kynxkhnkxnhn（2.20）CNN中主要采用离散卷积运算来进行卷积操作的，卷积核是与输入数据进行卷积运算的一小块区域，其主要包括权值和偏置两部分参数，卷积核的共享度大小就是由这两个参数决定的。当这两个参数越大时，提取的特征涉及的区域就越大，反之，则提取的特征涉及的区域就越校具体如图2.6所示：图2.6CNN的三维局部特征提取如图2.6所示，三维卷积层的神经元进行卷积计算时，每个卷积核的深度要与输入部分的深度相同，假定输入层的大小为32*32*3，若卷积核的大小为7*7，数目为16时，那么就有16个7*7*3的权重区域与输入层进行卷积计算，即7*7*3的

吉林大学硕士学位论文16权重区域与输入数据进行点积运算后，再加上偏置，与多层感知器的前向传播算法的操作原理一致。上图中一个大小为7*7的卷积核，其权重参数为7*7*3=147个，且其偏置参数的深度也为3。在进行卷积运算时需要注意，卷积核核偏置的深度必须与输入的数据的深度一致。在进行卷积计算时，需要注意深度，步长(stride)和补零(Zero-padding)三个重要的参数。因为深度决定了卷积层的输出深度，而步长决定了卷积核进行下一次计算时需要滑动的间隔。如果步长很大，则经过卷积运算后得到的输出维度将会较小；相反，则得到的输出维度将会较大。补零则可以决定卷积运算后输出的大小，其操作步骤就是对输入数据的边界进行补零。计算卷积操作后输出的大小为：21WFPS（2.21）式中，W为卷积层输入的大小，F为卷积核的大小，S为步长，P为边界补零的层数。3.池化操作图2.7池化操作的三种方法CNN经过卷积层进行特征提取后，将会得到多个子特征图，且每个子特征图包

【参考文献】：
期刊论文
[1]基于图像深度学习的无线电信号识别[J]. 周鑫,何晓新,郑昌文.  通信学报. 2019(07)
[2]利用稀疏自编码器的调制样式识别算法[J]. 杨安锋,赵知劲,陈颖.  信号处理. 2018(07)
[3]分离通道联合卷积神经网络的自动调制识别[J]. 郭有为,蒋鸿宇,周劼,苏建中.  电讯技术. 2018(06)
[4]基于高阶累积量和循环谱的信号调制方式混合识别算法[J]. 赵雄文,郭春霞,李景春.  电子与信息学报. 2016(03)
[5]卫星通信信号体系调制识别技术[J]. 马兆宇,韩福丽,谢智东,胡婧,边东明,张更新.  航空学报. 2014(12)

博士论文
[1]大动态信噪比下数字调制信号识别方法研究[D]. 王辉.哈尔滨工程大学 2018

硕士论文
[1]基于深度学习的通信信号调制类型识别研究[D]. 田得雨.西安电子科技大学 2019
[2]基于深度学习的数字调制信号识别算法研究[D]. 王咏实.电子科技大学 2019
[3]压缩感知辅助的非正交多址接入检测技术研究[D]. 高鹏宇.电子科技大学 2019
[4]基于深度学习的无线电信号识别方法研究[D]. 黄震宇.西安电子科技大学 2018
[5]基于瞬时信息及谱特征的调制方式自动识别[D]. 董雪.哈尔滨工程大学 2018
[6]时频协同滤波算法设计与分析[D]. 蒋凡.哈尔滨工业大学 2016
[7]通信信号调制方式自动识别算法研究[D]. 汤滋青.西安电子科技大学 2015



本文编号：3253555