為了能夠快速、有效、準(zhǔn)確地傳遞不同性質(zhì)的通信信號(hào),發(fā)送端可以采用不同類型的調(diào)制方式,因此準(zhǔn)確識(shí)別接收信號(hào)的調(diào)制方式成為下一步通信信號(hào)處理的重要前提。隨著通信技術(shù)的飛速發(fā)展,通信環(huán)境越來(lái)越復(fù)雜,通信信號(hào)變得更加多樣化和復(fù)雜化,各種類型的調(diào)制方式也不斷地涌現(xiàn)。在某些通信應(yīng)用背景下,接收方會(huì)接收到一些應(yīng)用未知調(diào)制方式的通信信號(hào),因此,如何有效地識(shí)別出未知調(diào)制類型信號(hào)成為調(diào)制識(shí)別領(lǐng)域的一大研究性課題。在基于特征的傳統(tǒng)調(diào)制識(shí)別技術(shù)中,特征主要來(lái)自人工提取的專家特征,人工提取不僅耗時(shí)費(fèi)力而且魯棒性不佳。隨著深度學(xué)習(xí)在語(yǔ)音識(shí)別以及圖像處理等領(lǐng)域的成功應(yīng)用,研究人員對(duì)深度學(xué)習(xí)的特征學(xué)習(xí)能力更加關(guān)注。鑒于調(diào)制識(shí)別領(lǐng)域面臨的問題和深度學(xué)習(xí)的超強(qiáng)學(xué)習(xí)能力,本文提出了兩種不同環(huán)境中的未知調(diào)制類型信號(hào)識(shí)別方法,主要研究?jī)?nèi)容如下:(1)本文針對(duì)數(shù)據(jù)庫(kù)中存在大量有標(biāo)簽數(shù)據(jù)集的情況,提出了一種基于監(jiān)督學(xué)習(xí)分類模型與降維算法相結(jié)合的未知調(diào)制類型信號(hào)識(shí)別方法。該方法建立了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)分類模型的網(wǎng)絡(luò)結(jié)構(gòu)圖,輸入已知調(diào)制類型信號(hào)的I/Q分量,并選擇合適的網(wǎng)絡(luò)...

【文章頁(yè)數(shù)】：77 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 課題研究背景及意義
    1.2 課題研究現(xiàn)狀
        1.2.1 調(diào)制識(shí)別研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
        1.2.3 未知調(diào)制類型的信號(hào)識(shí)別研究現(xiàn)狀
    1.3 論文的主要內(nèi)容及結(jié)構(gòu)安排
第二章 深度學(xué)習(xí)理論基礎(chǔ)
    2.1 深度學(xué)習(xí)概述
        2.1.1 深度學(xué)習(xí)的研究背景
        2.1.2 深度學(xué)習(xí)的基本思想
    2.2 深度學(xué)習(xí)的網(wǎng)絡(luò)模型
        2.2.1 深層神經(jīng)網(wǎng)絡(luò)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.3 本章小結(jié)
第三章 基于監(jiān)督學(xué)習(xí)分類模型的未知調(diào)制類型的信號(hào)識(shí)別
    3.1 卷積神經(jīng)網(wǎng)絡(luò)分類模型
    3.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        3.2.1 前向傳播
        3.2.2 反向傳播
    3.3 卷積神經(jīng)網(wǎng)絡(luò)模型的性能分析
        3.3.1 梯度下降算法對(duì)分類性能的影響
        3.3.2 迭代次數(shù)對(duì)分類性能的影響
        3.3.3 批量尺寸大小對(duì)分類性能的影響
    3.4 未知調(diào)制類型的信號(hào)識(shí)別
        3.4.1 不同降維算法性能分析
        3.4.2 特征數(shù)據(jù)對(duì)比性能分析
    3.5 仿真及結(jié)果分析
        3.5.1 數(shù)據(jù)集說明
        3.5.2 仿真環(huán)境說明
        3.5.3 識(shí)別性能分析
    3.6 本章小結(jié)
第四章 基于LSTM預(yù)測(cè)模型的未知調(diào)制類型的信號(hào)識(shí)別
    4.1 LSTM預(yù)測(cè)模型的建立
        4.1.1 LSTM預(yù)測(cè)模型的參數(shù)初始化
        4.1.2 LSTM層的構(gòu)建及訓(xùn)練
    4.2 LSTM預(yù)測(cè)模型性能結(jié)果分析
        4.2.1 網(wǎng)絡(luò)超參數(shù)的性能結(jié)果分析
        4.2.2 大樣本數(shù)據(jù)集的性能結(jié)果分析
        4.2.3 小樣本數(shù)據(jù)集的性能結(jié)果分析
    4.3 未知調(diào)制類型信號(hào)的識(shí)別
        4.3.1 高斯分布模型檢測(cè)算法
        4.3.2 模型識(shí)別方法的實(shí)現(xiàn)
    4.4 仿真及結(jié)果分析
        4.4.1 仿真參數(shù)的設(shè)置
        4.4.2 仿真結(jié)果及分析
    4.5 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(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3750730