基于深度学习的无线通信干扰信号识别与处理技术研究

发布时间：2020-12-09 05:51

　　现代无线通信系统面临着日益复杂的电磁环境,受多种噪声和干扰信号的影响。在通信过程中,通信方如果能够有效识别出干扰信号类型,便可采取相应的抗干扰措施,最大限度地躲避或抑制干扰,降低干扰对通信质量的损害。近年来,随着深度学习的不断发展及其在图像和语音处理等领域的突出表现,验证了深度学习具有极强的非线性映射和数据表达能力,激发研究者将深度学习应用于通信抗干扰领域,提高系统的抗干扰能力。本文研究基于深度学习的无线通信干扰信号识别与处理技术,主要研究内容如下:论文第一章给出了论文的研究背景,总结了无线通信中干扰识别与抑制的研究现状,以及论文的研究内容。论文第二章主要介绍了智能抗干扰通信系统架构和典型压制式干扰信号的数学模型。论文第三章研究了基于深度学习的干扰识别网络,针对基于特征提取的干扰识别算法需要依赖人工提取特征、复杂度高、可能提取特征不完全或冗余等问题,提出了实数干扰识别网络;同时为了减少实数干扰识别网络训练过程中信号相位信息损失,提出了与实数干扰识别网络结构对应的复数干扰识别网络。本章首先描述了基于深度学习的干扰识别架构,接着介绍了实数和复数卷积神经网络（Convolutional Ne... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
缩略语表
第一章 绪论
    1.1 研究背景与意义
    1.2 研究现状
        1.2.1 干扰识别算法
        1.2.2 干扰抑制算法
        1.2.3 研究现状总结
    1.3 本文的研究内容和结构安排
        1.3.1 研究内容
        1.3.2 结构安排
第二章 智能抗干扰通信系统及典型干扰信号数学模型
    2.1 智能抗干扰通信系统架构
    2.2 干扰信号模型
        2.2.1 单音干扰
        2.2.2 多音干扰
        2.2.3 部分频带噪声干扰
        2.2.4 噪声调频干扰
        2.2.5 线性扫频干扰
        2.2.6 时域高斯脉冲干扰
    2.3 本章小结
第三章 基于深度学习的干扰信号识别
    3.1 基于深度学习的干扰识别架构
    3.2 卷积神经网络原理
        3.2.1 实数卷积神经网络
        3.2.2 复数卷积神经网络
        3.2.3 实数和复数卷积神经网络参数量对比
        3.2.4 残差网络
    3.3 基于深度学习的干扰识别网络
        3.3.1 预处理
        3.3.2 网络输入与标签
        3.3.3 干扰信号识别的CNN
        3.3.4 干扰信号识别的ResNet
    3.4 仿真结果与性能分析
        3.4.1 不同输入的仿真结果
        3.4.2 不同干扰识别网络结构对比
        3.4.3 不同干扰识别网络的迁移性能
    3.5 本章小结
第四章 基于深度学习的干扰信号抑制
    4.1 基于深度学习的干扰抑制算法
        4.1.1 干扰抑制算法处理流程
        4.1.2 基于复数U-Net的干扰抑制网络
    4.2 仿真结果与性能分析
        4.2.1 时域干扰抑制性能
        4.2.2 频域干扰抑制性能
    4.3 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：2906386