發(fā)布時間：2020-12-12 01:19

　　針對4ASK,BPSK,QPSK,2FSK四種數(shù)字調(diào)制信號,提出在深度置信網(wǎng)絡(luò)的深度學(xué)習(xí)模型下調(diào)制模式識別方法。對調(diào)制信號進行預(yù)處理,計算其高階累積量作為輸入訓(xùn)練的特征,在不同信噪比環(huán)境下生成調(diào)制信號,利用深度置信網(wǎng)絡(luò)半監(jiān)督學(xué)習(xí)的特點,將得到數(shù)據(jù)集用以深度置信網(wǎng)絡(luò)的參數(shù)逐層訓(xùn)練來實現(xiàn)調(diào)制模式的特征提取和識別。仿真結(jié)果表明該方法識別率較為理想。 

【文章來源】：現(xiàn)代電子技術(shù). 2020年05期 第22-24+29頁 北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

RBM結(jié)構(gòu)

基于深度置信網(wǎng)絡(luò)的調(diào)制識別算法，選取4ASK,BPSK,QPSK,2FSK四種數(shù)字調(diào)制信號的高階累積量特征作為訓(xùn)練集和測試集，進行樣本預(yù)處理，在構(gòu)建深度置信網(wǎng)絡(luò)的基礎(chǔ)上進行訓(xùn)練學(xué)習(xí)，并將測試樣本對網(wǎng)絡(luò)進行測試。整個算法流程如圖2所示。每類信號均隨機生成信噪比分別為0 dB,10 dB和20 dB的信號，基于AWGN的背景條件下，計算其高階累積量，得到樣本，并同時生成標(biāo)簽。由于深度置信網(wǎng)絡(luò)（見圖3）的第一個RBM的輸入數(shù)據(jù)范圍為0～1，由表1可知各信號的各階累積量的理論值，數(shù)據(jù)差異很大，因此需要將其進行歸一化處理。歸一化的作用在于將樣本的統(tǒng)計分布性進行歸納，針對不同的高階累積量，分別對生成樣本的列向量進行歸一化，使其滿足RBM的輸入數(shù)據(jù)范圍，同時保留其特征。

每類信號均隨機生成信噪比分別為0 dB,10 dB和20 dB的信號，基于AWGN的背景條件下，計算其高階累積量，得到樣本，并同時生成標(biāo)簽。由于深度置信網(wǎng)絡(luò)（見圖3）的第一個RBM的輸入數(shù)據(jù)范圍為0～1，由表1可知各信號的各階累積量的理論值，數(shù)據(jù)差異很大，因此需要將其進行歸一化處理。歸一化的作用在于將樣本的統(tǒng)計分布性進行歸納，針對不同的高階累積量，分別對生成樣本的列向量進行歸一化，使其滿足RBM的輸入數(shù)據(jù)范圍，同時保留其特征。構(gòu)建深度置信網(wǎng)絡(luò)時，輸入層為高階累積量的數(shù)量為7，輸出層為需要判斷的類型，即4種信號，輸入層和輸出層之間包含兩層RBM，每層設(shè)置其包括100個神經(jīng)元。RBM隱藏層的激活函數(shù)為sigm函數(shù)，輸出層的激活函數(shù)為softmax，學(xué)習(xí)率為0.1。

【參考文獻】：
期刊論文
[1]基于隨機森林的低階數(shù)字調(diào)制識別算法研究[J]. 譚正驕,施繼紅,胡繼峰.  通信技術(shù). 2018(03)
[2]基于混合受限波爾茲曼機的調(diào)制樣式識別[J]. 楊安鋒,趙知勁,陳穎.  杭州電子科技大學(xué)學(xué)報(自然科學(xué)版). 2017(06)
[3]應(yīng)用深度學(xué)習(xí)的信號解調(diào)[J]. 黃媛媛,張劍,周興建,盧建川.  電訊技術(shù). 2017(07)
[4]一種通信信號的自動調(diào)制識別技術(shù)研究[J]. 梁曉芳,張臻,張東磊,殷明.  電子技術(shù)與軟件工程. 2016(13)



本文編號：2911583