隨著通信技術(shù)的蓬勃發(fā)展,信號的調(diào)制方式變得多樣化和復雜化,大多數(shù)情況下,接收方不知道信號的調(diào)制信息,因此如何自動識別接收信號的調(diào)制方式變得尤為重要。多進制正交幅度調(diào)制信號（MQAM）具有較高的頻譜資源利用率,在無線廣播等領域得到了廣泛的應用。由于淺層學習方法不能提取信號的深層特征且無法有效的解決復雜問題,而且星座圖特征無法有效的表達重疊信號點及密集程度等特征,因此本文使用圖形星座投影（GCP）算法提取信號的圖像特征,作為卷積神經(jīng)網(wǎng)絡的輸入,對高斯噪聲信道中的MQAM信號進行研究,主要研究內(nèi)容如下:1、由于深度學習中常用的softmax loss損失函數(shù)只能使深層特征分離,沒有考慮到深層特征的分布關系,針對這個缺點,將center loss深度度量學習和softmax loss相結(jié)合,提出一種新的MQAM信號識別方法,稱為基于深度度量學習的MQAM信號識別方法。centerloss度量學習可以刻畫樣本深層特征的類內(nèi)離散度,因此兩個損失函數(shù)相結(jié)合可以使得深層特征類內(nèi)離散度小,類間離散度大,從而使卷積神經(jīng)網(wǎng)絡學到的特征更具有判別性。本文在4QAM,8QAM,16QAM,32QAM,64QAM... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 最大似然假設檢驗方法
        1.2.2 統(tǒng)計模式識別方法
    1.3 本文的研究內(nèi)容及章節(jié)安排
第二章 調(diào)制信號識別基本理論
    2.1 MQAM信號基本理論
        2.1.1 MQAM信號基本概念
        2.1.2 MQAM信號調(diào)制解調(diào)原理
    2.2 MQAM信號特征分析
    2.3 淺層學習分類器
    2.4 深度學習
        2.4.1 深度神經(jīng)網(wǎng)絡
        2.4.2 深度信念網(wǎng)絡
        2.4.3 卷積神經(jīng)網(wǎng)絡
        2.4.4 深度學習Caffe框架概述
    2.5 本章小結(jié)
第三章 基于深度度量學習的MQAM信號識別
    3.1 引言
    3.2 接收信號模型
    3.3 圖形星座投影算法
    3.4 softmax loss損失函數(shù)
    3.5 基于深度度量學習的調(diào)制識別
        3.5.1 系統(tǒng)模型
        3.5.2 目標函數(shù)
        3.5.3 目標函數(shù)求解
    3.6 實驗仿真及結(jié)果分析
    3.7 本章小結(jié)
第四章 基于深度度量學習和特征選擇的MQAM信號識別
    4.1 引言
    4.2 基于深度度量學習和特征選擇的CNN
        4.2.1 系統(tǒng)模型
        4.2.2 目標函數(shù)
    4.3 實驗仿真及結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]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)
[2]認知無線電中非高斯噪聲下數(shù)字調(diào)制信號識別方法[J]. 劉明騫,李兵兵,曹超鳳,李釗.  通信學報. 2014(01)
[3]使用小波變換的MPSK信號調(diào)制類型識別[J]. 胡建偉,湯建龍,楊紹全.  電路與系統(tǒng)學報. 2006(03)



本文編號：3158367