針對基于有監(jiān)督學習通信信號分類算法需要大量有標簽訓練樣本,而在實際場合大多無法滿足數(shù)量要求的問題,提出利用數(shù)據(jù)驅(qū)動模型的半監(jiān)督學習方法,通過對比預測編碼無監(jiān)督算法預訓練和有監(jiān)督學習相結合,利用LSTM （long short term memory）和ResNet （residual network）聯(lián)合神經(jīng)網(wǎng)絡實現(xiàn)小樣本自動提取特征,提高小樣本條件下信號識別準確率。在真實通信調(diào)制信號集上實驗表明,半監(jiān)督聯(lián)合神經(jīng)網(wǎng)絡結構較以往方法,識別準確率提升3%～20%,小樣本條件下性能提高60%,同時在低信噪比條件下識別能力突出,0 dB時對11種調(diào)制信號平均識別正確率達到92%,具有明顯優(yōu)勢。 

【文章來源】：信號處理. 2020,36(02)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

圖５?ＬＳＴＭ－ＲｅｓＮｅｔ神經(jīng)網(wǎng)絡結構示意圖??Ｆｉｇ．?５?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＬＳＴＭ－ＲｅｓＮｅｔ?ｎｅｕｒａｌ??

１０?０．００?０．０１?０．０１?０．０１?０．００?０．００?〇．〇〇?ｏ．ｏｏＢＲＨｑ．ｏｏ??ＷＢＦＭ?－０?００?０?２４?０?００?０?００?０?００?０?００?０?００?０?００?°－００?０?００??預測類型??圖７信噪比為－２?ｄＢ預測混淆矩陣??Ｆｉｇ．?７?Ｃｏｎｆｕｓｉｏｎ?ｍａｔｒｉｘ?ｆｏｒ?ｊｏｉｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?ａｔ?－２?ｄＢ?ＳＮＲ??０．０??１０?２０?５０?１００?２００??每類信號帶標簽樣本數(shù)量??５００?１０００??圖６半監(jiān)督學習ＣＰＣ算法－２?ｄＢ、０?ｄＢ、１０?ｄＢ??練下４＃本輿別準確率??Ｆｉｇ．?６?Ｒｅｃｏｇｎｉｔｉｏｎ?ａｃｃｕｒａｃｙ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ??ｌｅａｒｎｉｎｇ?ｗｉｔｈ?ＣＰＣ?ａｔ?－２?ｄＢ、０?ｄＢ、１０?ｄＢ?ＳＮＲ??減少，當本文方法識別率達到有、監(jiān)督學習識別率??時／太鐘＇＿?—ｗｌｉ：耗時約８．?ｍｉｌ＊。??實驗３考察文中箅法對數(shù)據(jù)集中包含的１１??種模擬和數(shù)學調(diào)制樣式在特途信噪比條件下的類??間識別概篆，由？?７？圖９可以看出本文算法具備??一定的抗曝聲ｆｆｅ力．，＃－２?ｄＢ能夠達到９０＿％識：別準??確率ｔ，實驗發(fā)現(xiàn)，８ＰＳＫ、ＱＰＳＫ、ＷＢＦＭ、ＡＭ－ＤＳＢ?信??號易出現(xiàn)混淆，分析可能因為ＩＱ數(shù)據(jù)轉．為瞬時參數(shù)??后，ＩＳＭ?＿絡特征＿取更傾向表達幅凰相??位、頻率的數(shù)值規(guī)律，對調(diào)制階數(shù)相近的信號容易??出現(xiàn)誤識別，在ＱＡＭ１６和ＰＡＭ４也體現(xiàn)這種情況，??反而ＱＡＭ１６和ＱＡＭ６４這類調(diào)制階數(shù)相差較大的??

＾〇．〇〇?〇．〇〇〇．〇〇〇．〇〇??〇．〇〇〇．〇〇〇．〇１?０．００?０．００?０．００?０．１１＾＾０．００?０．００?０．００??０．００?０．００?０．０３?０．００?０．００?０．００?０．００?０．０５?０．００?０．００??０．１０?０．００?０．０１?０．０４?０．００?０．００?０．００?０．００?０．００＾＾０．００??０．００?０．２４?０．００?０．００?０．００?０．００?０．００?０．００?０．００?ｏ．ｏｏｌ??ｗ雜ｙ??■０．４??－０．２??圖８信噪比為ＯｄＢ預測混淆矩陣??Ｆｉｇ．?８?Ｃｏｎｆｕｓｉｏｎ?ｍａｔｒｉｘ?ｆｏｒ?ｊｏｉｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?ａｔ?０?ｄＢ?ＳＮＲ??ＬＳＴＭ－ＲｅｓＮｅｔ?混淆矩陣（ＳＮＲ＝１０）??ｏ．ｏｏＢ－??ｏ．ｏｏ?ｏ．ｏｏｎ??ｏ．ｏｏ?ｏ．ｏｏ?ｏ．ｏｏｎ??〇．〇〇〇．〇〇〇．〇０?ｃ??〇．〇〇〇．〇〇〇．〇０?ｃ??０．００?０．００?０．００?０．００?０．００?０．００??０．００?０．００?０．００?０．００?０．００?ｃ??０．００?０．００?０．００?０．００?０．００?０．００?０．００?０．００１??０．０６?０．００?０．０１?０．０１?０．００?０．００?０．００?０．００?ｃ??ｆ?ＧＦＳＫ－??ＰＡＭ４－??ＱＡＭ１６－??ＱＡＭ６４－??ＱＰＳＫ－??ＷＢＦＭ??．０．００?０．１０?０．００?０．００?０．００?０．００?０．００?０．００?０．００?０．００??４費滿《雜ｙ??預測類型??圖９信噪比為１０?ｄＢ預測混淆矩陣??ｉｇ．?９?Ｃｏｎｆｕｓｉｏｎ?ｍａｔ

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡與時頻圖紋理信息的信號調(diào)制方式分類方法[J]. 白芃遠,許華,孫莉.  西北工業(yè)大學學報. 2019(04)
[2]基于卷積神經(jīng)網(wǎng)絡和稀疏濾波的調(diào)制識別方法[J]. 吳灝,周亮,李亞星,郭宇,孟進.  系統(tǒng)工程與電子技術. 2019(09)
[3]基于高階累積量和小波變換的調(diào)制識別算法[J]. 譚曉衡,褚國星,張雪靜,楊揚.  系統(tǒng)工程與電子技術. 2018(01)
[4]聯(lián)合時域和時頻域特征的數(shù)字調(diào)制信號自動分類[J]. 代翱,張海劍,孫洪.  信號處理. 2016(11)
[5]基于高階累積量和循環(huán)譜的信號調(diào)制方式混合識別算法[J]. 趙雄文,郭春霞,李景春.  電子與信息學報. 2016(03)

博士論文
[1]數(shù)字通信信號自動調(diào)制識別技術研究[D]. 徐毅瓊.解放軍信息工程大學 2011



本文編號：3125140