發(fā)布時(shí)間：2021-11-16 14:20

　　隨著數(shù)字信號(hào)調(diào)制方式愈加復(fù)雜多樣,自動(dòng)調(diào)制方式識(shí)別（Automatic Modulation Classification,AMC）已成為一個(gè)重要研究課題。如何在現(xiàn)有調(diào)制方式識(shí)別技術(shù)的基礎(chǔ)上,提出一種信號(hào)處理更加簡(jiǎn)單、識(shí)別結(jié)果更加準(zhǔn)確的方法是調(diào)制方式識(shí)別領(lǐng)域亟待解決的問(wèn)題。本文在現(xiàn)有AMC研究成果的基礎(chǔ)上,從簡(jiǎn)化信號(hào)處理部分的工作量入手,探索將深度學(xué)習(xí)（Deep Learning,DL）應(yīng)用到調(diào)制方式識(shí)別領(lǐng)域的方法和技術(shù)途徑。論文對(duì)DL中的深度置信網(wǎng)絡(luò)（Deep Belief Network,DBN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）進(jìn)行了分析和研究,應(yīng)用這兩種網(wǎng)絡(luò)對(duì)數(shù)字信號(hào)特征集進(jìn)行特征提取和調(diào)制方式識(shí)別。論文主要研究?jī)?nèi)容如下:1、利用星座圖投影算法（Graphic Constellation Projection,GCP）將信號(hào)的星座圖投影到人工圖片上,然后將人工圖片送入到DBN中進(jìn)行特征學(xué)習(xí)和識(shí)別,得到信號(hào)的調(diào)制方式。該方法的提出得益于DBN強(qiáng)大的圖片識(shí)別能力,仿真結(jié)果表明本方法的識(shí)別性能優(yōu)于對(duì)比方法中的性能。2、提出了一種基于幅度... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景和意義
    1.2 調(diào)制方式識(shí)別的發(fā)展
        1.2.1 最大似然信號(hào)識(shí)別方法發(fā)展過(guò)程
        1.2.2 統(tǒng)計(jì)模式信號(hào)識(shí)別方法發(fā)展過(guò)程
    1.3 深度學(xué)習(xí)的引入
    1.4 本文的主要工作和內(nèi)容安排
第二章 信號(hào)調(diào)制模式和深度學(xué)習(xí)基本理論
    2.1 數(shù)字調(diào)制的原理
        2.1.1 MASK信號(hào)
        2.1.2 MPSK信號(hào)
        2.1.3 MFSK信號(hào)
        2.1.4 MQAM信號(hào)
    2.2 參數(shù)估計(jì)理論
        2.2.1 載波頻率的估計(jì)
        2.2.2 帶寬估計(jì)
        2.2.3 符號(hào)率估計(jì)
    2.3 深度學(xué)習(xí)理論基礎(chǔ)
        2.3.1 深度學(xué)習(xí)基本原理
        2.3.2 深度置信網(wǎng)絡(luò)
        2.3.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.4 softmax回歸模型
    2.4 本章小結(jié)
第三章 基于GCP和DBN的調(diào)制方式識(shí)別方法
    3.1 系統(tǒng)模型和信號(hào)模型
        3.1.1 系統(tǒng)模型
        3.1.2 信號(hào)模型
        3.1.3 預(yù)處理模塊
    3.2 星座圖投影算法
        3.2.1 星座圖投影算法的提出
        3.2.2 星座圖投影算法的具體實(shí)施步驟
    3.3 深度置信網(wǎng)絡(luò)
        3.3.1 深度置信網(wǎng)絡(luò)訓(xùn)練過(guò)程
        3.3.2 限制玻爾茲曼機(jī)進(jìn)行無(wú)監(jiān)督特征學(xué)習(xí)
        3.3.3 深度神經(jīng)網(wǎng)絡(luò)有監(jiān)督分類(lèi)訓(xùn)練
    3.4 仿真結(jié)果分析
    3.5 本章小結(jié)
第四章 基于ASFPF和1D CNN的調(diào)制方式識(shí)別方法
    4.1 信號(hào)的幅度譜特征
    4.2 MPSK和MQAM信號(hào)的相位特征
    4.3 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別過(guò)程
        4.3.1 卷積層
        4.3.2 全連接層
        4.3.3 輸出層
    4.4 識(shí)別步驟及仿真結(jié)果
        4.4.1 系統(tǒng)識(shí)別流程
        4.4.2 仿真結(jié)果
    4.5 本章小結(jié)
第五章 基于CNN的調(diào)制方式識(shí)別方法
    5.1 信號(hào)正交變換的基本理論
    5.2 卷積神經(jīng)網(wǎng)絡(luò)
        5.2.1 卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
        5.2.2 dropout策略
    5.3 卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)
        5.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        5.3.2 Conv1卷積層的設(shè)計(jì)
        5.3.3 Conv2卷積層的設(shè)計(jì)
        5.3.4 Conv3卷積層的設(shè)計(jì)
        5.3.5 Conv4卷積層的設(shè)計(jì)
        5.3.6 Fc1全連接層設(shè)計(jì)
        5.3.7 Fc2全連接層設(shè)計(jì)
        5.3.8 輸出層設(shè)計(jì)
    5.4 算法流程
    5.5 實(shí)驗(yàn)仿真及分析
    5.6 本章小結(jié)
第六章 回顧與展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]MQAM信號(hào)調(diào)制方式盲識(shí)別[J]. 張路平,王建新.  電子與信息學(xué)報(bào). 2011(02)
[2]一種基于星座圖聚類(lèi)的MQAM識(shí)別方法[J]. 侯健,王華奎.  無(wú)線(xiàn)電通信技術(shù). 2009(03)
[3]高階QAM調(diào)制制式識(shí)別及其系統(tǒng)實(shí)現(xiàn)[J]. 胡登鵬,王世練,張爾揚(yáng).  飛行器測(cè)控學(xué)報(bào). 2009(02)
[4]基于Hilbert變換的MQAM信號(hào)調(diào)制體制識(shí)別[J]. 奚家熹,王宗欣.  通信學(xué)報(bào). 2007(06)
[5]衛(wèi)星通信常用調(diào)制方式的自動(dòng)識(shí)別[J]. 范海波,楊志俊,曹志剛.  通信學(xué)報(bào). 2004(01)

博士論文
[1]無(wú)線(xiàn)通信信號(hào)調(diào)制識(shí)別關(guān)鍵技術(shù)與理論研究[D]. 楊發(fā)權(quán).西安電子科技大學(xué) 2015
[2]通信信號(hào)調(diào)制方式識(shí)別與參數(shù)估計(jì)研究[D]. 安金坤.西安電子科技大學(xué) 2011
[3]數(shù)字通信信號(hào)調(diào)制方式自動(dòng)識(shí)別技術(shù)研究[D]. 楊琳.中國(guó)科學(xué)技術(shù)大學(xué) 2008

碩士論文
[1]數(shù)字通信信號(hào)的調(diào)制方式識(shí)別研究[D]. 位小記.哈爾濱工程大學(xué) 2011
[2]通信信號(hào)的特征分析、自動(dòng)識(shí)別與參數(shù)提取[D]. 宋輝.南京理工大學(xué) 2003



本文編號(hào)：3499056