基于深度学习的通信信号调制类型识别研究

发布时间：2022-07-15 16:58

　　调制类型识别是通信系统中接收端完成基带信号解调的必备技术。传统的调制类型识别方法需要将调制类型信息随信号一同发送,这样会降低信道带宽利用率和数据吞吐量。自动调制分类技术（AMC）无需发送调制类型信息,接收端可自动判断信号的调制类型,提高了数据传输率。因此,AMC技术在民用无线电监测以及军用电子对抗、电子侦查等领域具有重要的应用价值。论文利用信号星座图,根据接收到的符号样本在星座图上的分布情况,计算生成通信信号特征图像。利用计算成像,将调制类型的识别问题转化为图像分类的问题。论文构建了深度卷积神经网络,利用基带已调信号特征图对网络进行了训练,使卷积神经网络能够实现信号调制类型的自动识别。论文的创新在于:首先,提出了一种高效的特征图像生成算法,在保留图像原始信息的同时缩短了计算成像的时间;其次,论文提出了一种多尺度特征调制信号分类网络,通过将不同尺度的特征图相关联,融合了不同尺度的特征信息,提高网络对信号调制类型的识别率。仿真结果表明,论文提出的特征图像生成算法相比于其他三种算法具有更高的识别准确率和更低的计算复杂度,提出的多尺度特征分类网络在相同数据集下识别准确率高于其他三种网络结构。 

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 论文研究背景和意义
    1.2 国内外研究现状与发展趋势
    1.3 论文主要工作及章节安排
第二章 调制类型识别算法设计基础
    2.1 信号调制基础理论
        2.1.1 数字信号调制技术
        2.1.2 M进制正交幅度(MQAM)调制
        2.1.3 M进制的相移键控(MPSK)调制
    2.2 深度学习基础
        2.2.1 人工神经网络基础
        2.2.2 卷积神经网络基本理论
        2.2.3 激活函数
    2.3 本章小结
第三章 调制信号特征图像生成算法
    3.1 信号星座图
    3.2 特征图像生成
        3.2.1 二值图像生成算法
        3.2.2 灰度特征图像生成算法
        3.2.3 邻域特征增强灰度图生成算法
    3.3 本章小结
第四章 基于深度学习的通信信号调制类型识别算法
    4.1 调制类型识别的典型CNN网络
        4.1.1 AlexNet
        4.1.2 GoogLeNet
        4.1.3 Res Net
    4.2 基于多尺度特征分类网络的通信信号调制类型识别
        4.2.1 基于深度学习的通信信号调制类型识别算法流程
        4.2.2 多尺度特征分类网络设计
        4.2.3 多尺度特征分类网络分析
    4.3 仿真数据集
    4.4 测试结果
        4.4.1 二值图像测试结果
        4.4.2 特征灰度图像测试结果
        4.4.3 特征增强灰度图像测试结果
        4.4.4 邻域特征增强灰度图像测试结果
        4.4.5 测试结果分析
    4.5 本章小结
第五章 总结与展望
参考文献
致谢
作者简介



本文编号：3662467