基于波形优化的深度调制识别方法

发布时间：2021-07-22 06:32

　　自动调制识别技术,可在接收信号在样式未知、内容未知的前提条件下,自动对其调制方式进行估计。提出一种基于深度学习的调制识别方法,该方法通过波形优化的方法迭代更新滤波器参数,对接收信号样本进行滤波,再通过深度识别网络进行识别。该方法在处理流程中存在识别结果对滤波器参数的反馈回路,能够减轻信道对调制识别结果的不利影响。通过开源数据集进行验证,证明了该方法相比于几种利用经典深度学习网络的方法,识别率均有所提高。特别是相比于传统的CNN方法,识别率提高了约7%。 

【文章来源】：电子测量与仪器学报. 2020,34(10)北大核心CSCD

【文章页数】：8 页

【部分图文】：

方法整体结构

波形优化的流程如图2所示,识别网络将识别的输出g( s ^ )与计算得到的输出相对于波形参数的偏导数Δhg( s ^ )作为输入,送入到波形优化模块。波形优化模块根据g( s ^ )与 ? h g( s ^ ) 对波形参数进行迭代调整,从而对样本信号进行FIR滤波。图2用不同的序号标出了波形优化过程中最主要的几个过程。1)FIR滤波

其中CNN调制识别网络的结构如图3所示,其包含2层卷集层,2层全联接层,每一层的参数情况如图所示。其中第1层卷集层的卷积核大小为1×8,主要用于分别提取I路或Q路的特征,第2层的卷积核大小为2×8,主要用于提取IQ路的联合特征。第3层全联接层的输出单元数目为256,第4层全联接层的输出单元的数目为11,该数目与本文所用到的调制识别数据集中的调制种类相同。CLDNN网络的结构如图4所示,存在3层卷积层,每一层的卷积核的维度都是1×8,并且每层卷积层的通道数或滤波器数都为50。将数据通过第1层卷积层后的输出向量,与数据通过第3层的输出向量合并后,得到新的特征向量。将该向量作为输入,输入到长短时记忆单元(long short time memory, LSTM)中进行处理。然后通过与上述的CNN网络相同的两层全联接层中(同样第一层输出单元数目为256,第2层为80),得到最终的分类结果。

【参考文献】：
期刊论文
[1]基于残差网络的自动调制识别[J]. 郭坚,漆轩.  计算机工程与设计. 2019(09)
[2]基于改进平方检测和新型K-N互卷积窗的闪变参数检测[J]. 张民谣,高云鹏,吴聪,朱彦卿,曹一家.  仪器仪表学报. 2019(08)
[3]基于序列判决和相位排序的GLRT最优序列检测算法[J]. 李凌,尹航.  电子测量与仪器学报. 2019(01)
[4]基于深度卷积神经网络的数字调制方式识别[J]. 彭超然,刁伟鹤,杜振宇.  计算机测量与控制. 2018(08)
[5]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)
[6]基于相位差分的脉内调制信号类型识别[J]. 曾德国,熊辉,龙柯宇,唐斌.  电子测量与仪器学报. 2009(10)



本文编号：3296640