基于卷积双向长短期神经网络的调制方式识别

发布时间：2021-08-01 09:47

　　针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络（Convolutional Neural Networks,CNN）与双向长短期记忆神经网络（Bi-directional Long Short-Term Memory,BiLSTM）相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。 

【文章来源】：火力与指挥控制. 2020,45(06)北大核心CSCD

【文章页数】：6 页

【部分图文】：

SNR=16dB时，CNN-BiLSTM的混淆矩阵

网络复杂度，调制识别性能得到了一定的改善。下一步将重点研究在信噪比低于-14dB时，如何有效提高算法的识别性能。参考文献：［1］WANGF，DOBREOA，CHANC，etal.Fold-basedkol-mogorov-smirnovmodulationclassifier［J］.IEEESignalPro-cessingLetters，2016，23（7）：1003-1007.［2］DOBREO.Signalidentificationforemergingintelligentra-调试识别方法单次平均训练用时（s）总用时（h）训练参数个数（个）CNN-BiLSTM1551.833329.31242384427CNN28685.6393149.5860362155图7SNR=0dB时，CNN的混淆矩阵图8SNR=0dB时，CNN-BiLSTM的混淆矩阵图9SNR=16dB时，CNN的混淆矩阵图10SNR=16dB时，CNN-BiLSTM的混淆矩阵·133·1087

的改善。下一步将重点研究在信噪比低于-14dB时，如何有效提高算法的识别性能。参考文献：［1］WANGF，DOBREOA，CHANC，etal.Fold-basedkol-mogorov-smirnovmodulationclassifier［J］.IEEESignalPro-cessingLetters，2016，23（7）：1003-1007.［2］DOBREO.Signalidentificationforemergingintelligentra-调试识别方法单次平均训练用时（s）总用时（h）训练参数个数（个）CNN-BiLSTM1551.833329.31242384427CNN28685.6393149.5860362155图7SNR=0dB时，CNN的混淆矩阵图8SNR=0dB时，CNN-BiLSTM的混淆矩阵图9SNR=16dB时，CNN的混淆矩阵图10SNR=16dB时，CNN-BiLSTM的混淆矩阵·133·1087

【参考文献】：
期刊论文
[1]联合频偏估计与循环矩的MPSK信号调制识别算法[J]. 吴涛,狄旻珉,黄国策.  仪表技术与传感器. 2014(12)

硕士论文
[1]基于深度学习的调制识别算法研究[D]. 吴彦伦.电子科技大学 2018
[2]低信噪比下数字调制信号盲识别研究[D]. 周晖.电子科技大学 2010



本文编号：3315299