基于深度学习的调制识别技术研究

发布时间：2020-11-11 00:50

　　 调制识别技术在商业领域和军用领域均具备重要的应用价值。调制识别技术可以分为基于似然比的调制识别和基于信号特征的调制识别。因为基于似然比的调制识别技术计算复杂度过高,所以基于信号特征的调制识别技术通常应用更加广泛。传统的基于信号特征的调制识别技术首先设计并提取信号特征,然后设计分类规则对信号特征进行调制制式分类,手工设计的信号特征和分类规则通常在复杂信道环境下的识别准确率有限。因此,基于深度学习的调制识别技术被提出,用于从特征数据中自动学习分类规则以提高分类准确率。随着近年来深度学习领域的发展,深度学习算法广泛应用于计算机视觉,自然语言处理等领域并取得突出的性能。在调制识别领域,利用最新的深度学习算法可以同时完成信号特征和分类规则的自动学习,进一步提高调制识别性能。首先,本论文研究了使用信号特征与全连接神经网络(Fully-Connected Neural Network,FCNN)分类器的调制识别技术。理论分析和仿真结果表明,全连接神经网络分类器相对于手工设计的分类规则具备更好的分类准确率。然后,本论文研究了基于卷积神经网络(Convolutional Neural Network,CNN)的调制识别技术。理论分析和仿真结果表明,经过良好设计与训练的CNN能同时完成特征提取与分类识别功能,CNN提取的特征相对于传统信号特征具备更好的调制识别性能。在此基础上,本论文进一步研究了训练集对CNN的影响。理论分析和仿真结果表明,具备多样性的训练集能提升CNN的调制识别鲁棒性。最后,本论文研究了基于CNN的调制识别技术中存在的信道环境变化带来的调制识别性能下降问题。本论文结合迁移学习(Transfer Learning,TL)理论,提出了三种基于CNN的迁移学习方法。理论分析和仿真结果表明,本论文提出的第一类迁移学习方法,在新信道环境下总是具备最优的调制识别性能。本论文提出的第二类迁移学习方法,在新信道环境下的训练数据充足时,具备最优的调制识别性能,同时收敛更快。本论文提出的第三类迁移学习方法,在新信道环境下训练数据适中时,具备次优的调制识别性能,同时收敛更快。
【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】：TN911.3;TP18
【部分图文】：

能量检测、调制识别和信号检测之间的关系

全连接神经网络的基本结构

基于四阶累积量与全连接神经网络的调制识别算法…42Pc–16QAM
【相似文献】

相关期刊论文 前10条

1 刘桥平;邱昕;郭瑞;;基于深度神经网络的自动调制识别[J];电子设计工程;2019年23期

2 刘莹;单洪;胡以华;王勇;;基于谱分析的卫星通信调制识别算法[J];火力与指挥控制;2017年01期

3 何斌;;基于高阶累积量的调制识别技术的研究[J];信息通信;2017年01期

4 单琳娜;;关于通信信号调制识别技术的分析研究[J];科技资讯;2012年32期

5 游伟;周先敏;;模拟调制信号的自动调制识别[J];信号处理;2009年01期

6 吕杰,张胜付,张克,邵伟华,谷明;移动通信信号自动调制识别的谱相关方法[J];电讯技术;1999年02期

7 陆明泉;肖先赐;;同信道多信号的调制识别方法[J];清华大学学报(自然科学版)网络.预览;2009年10期

8 李唱白;杨杰;黄知涛;王翔;;基于深度学习的通信信号调制识别算法[J];空间电子技术;2019年01期

9 王东旭;陈殿仁;李兴广;陈磊;;基于小波变换的调制识别算法[J];数字技术与应用;2017年01期

10 周玫汝;;数字通信信号自动调制识别技术研究[J];数码世界;2018年05期

相关博士学位论文 前10条

1 谢李晋;基于压缩感知的通信信号识别技术研究[D];电子科技大学;2018年

2 韩钢;自适应单载波、多载波调制中信号盲检测技术研究[D];西安电子科技大学;2003年

3 张炜;数字通信信号调制方式自动识别研究[D];国防科学技术大学;2006年

4 王彬;无线衰落信道中的调制识别、信道盲辨识和盲均衡技术研究[D];解放军信息工程大学;2007年

5 胡国兵;雷达信号调制识别相关技术研究[D];南京航空航天大学;2011年

6 安琦;信号侦收中的识别与分类理论与算法研究[D];电子科技大学;2017年

7 吕铁军;通信信号调制识别研究[D];电子科技大学;2000年

8 陈健;通信信号参数盲估计方法的研究[D];西安电子科技大学;2005年

9 付永明;基于拟合优度检验的通信信号检测与识别技术[D];国防科学技术大学;2015年

10 崔伟亮;衰落信道下非合作接收中调制识别技术研究[D];解放军信息工程大学;2011年

相关硕士学位论文 前10条

1 王飞扬;基于深度学习的通信信号调制识别研究[D];电子科技大学;2019年

2 田杰娇;基于机器学习的通信信号调制识别技术研究[D];电子科技大学;2019年

3 雷志坤;基于深度学习的调制识别技术研究[D];电子科技大学;2019年

4 罗兵兵;基于深度学习的通信信号调制识别研究[D];电子科技大学;2019年

5 闫军杰;基于特征提取的通信信号调制识别技术研究与实现[D];电子科技大学;2019年

6 周林宇;基于压缩采样的宽带信号的参数估计和调制识别[D];电子科技大学;2019年

7 王咏实;基于深度学习的数字调制信号识别算法研究[D];电子科技大学;2019年

8 何祥;应用分层迭代支持向量机的OFDM信号调制识别研究[D];西安理工大学;2019年

9 于轩;基于ATCA平台的调制识别系统硬件设计[D];北京邮电大学;2019年

10 魏孟传;基于深度学习的数字信号调制识别研究[D];北京邮电大学;2019年

本文编号：2878529