基于神经网络的数字调制方式识别研究

发布时间：2023-03-28 18:20

　　随着通信信号调制方式的日益多样化,通信信号调制方式识别在信号分析领域中发挥着重要作用。由于受信道环境和调制进制数的影响,传统基于似然比检测和特征提取的调制识别方法识别率较差。而神经网络在语音识别和图像识别方面已取得了优异性能,且具有较强的泛化能力和鲁棒性,因此将神经网络应用于调制识别是可行的。传统的神经网络识别方法通常将信号特征作为输入,这种方法受输入特征质量的影响较大,且无法扩展到其他调制信号。近来有部分研究人员利用深度神经网络直接识别调制信号,并取得了较好的识别效果。因此本文深入研究基于神经网络的数字调制方式识别方法,主要工作完成总结如下。本文提出了一种基于一维卷积神经网络(One-Dimentinal Convolutional Neural Network,1-D CNN)的数字调制识别方法。该方法针对中频调制信号的一维采样序列,设计了1-D CNN分类模型,并使用已知调制采样序列和调制方式对网络进行有监督的训练,然后使用训练好的网络对调制信号进行识别。为了获得最佳的识别性能,本文设计了对照实验以确定网络的最佳参数,包括样本长度、训练集等因素。实验结果表明,提出的1-D CNN...

【文章页数】：81 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 研究背景及意义
    1.2 研究现状
        1.2.1 基于似然比检测的方法
        1.2.2 基于特征提取的方法
        1.2.3 基于神经网络的方法
    1.3 主要研究内容及章节安排
第二章 相关理论基础
    2.1 数字调制信号
        2.1.1 幅移键控
        2.1.2 频移键控
        2.1.3 相移键控
        2.1.4 正交振幅调制
    2.2 信道模型
        2.2.1 高斯白噪声信道
        2.2.2 多径衰落信道
    2.3 神经网络
        2.3.1 神经网络的构成
        2.3.2 神经网络的训练
    2.4 课程学习
    2.5 本章小结
第三章 基于一维卷积神经网络的调制识别方法
    3.1 卷积神经网络原理
    3.2 卷积神经网络的设计
        3.2.1 网络结构
        3.2.2 网络参数
    3.3 性能测试与分析
        3.3.1 参数对网络性能的影响
        3.3.2 识别率测试
    3.4 本章小结
第四章 基于深度残差网络与课程学习的调制识别方法
    4.1 数字调制识别模型
    4.2 信号预处理
        4.2.1 归一化
        4.2.2 可视化
    4.3 导师网络
        4.3.1 基于样本的课程提取
        4.3.2 算法实现
        4.3.3 导师网络的实现
    4.4 学生网络
        4.4.1 学生网络的结构
        4.4.2 网络参数设置
        4.4.3 学生网络的实现
    4.5 性能测试与分析
        4.5.1 识别率测试
        4.5.2 鲁棒性测试及分析
        4.5.3 实际调制信号测试
    4.6 本章小结
第五章 总结与展望
    5.1 论文工作总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3773036