調(diào)制樣式識別是信號檢測和信號解調(diào)之間的重要環(huán)節(jié),是軟件無線電和非合作通信的關鍵技術之一,已有大量利用最大似然檢驗理論和模式識別理論的調(diào)制樣式識別研究成果。近年來深度學習由于其優(yōu)異的特征提取能力,被應用于各個領域。已有一些研究人員將深度學習方法應用于調(diào)制樣式識別中,通常是利用特征參數(shù)作為輸入,這些方法性能受特征參數(shù)影響大,擴展性差。最近國外研究者提出了直接利用信號數(shù)據(jù)和殘差神經(jīng)網(wǎng)絡的調(diào)制樣式識別方法,獲得了較好的識別性能。因此本文深入研究基于深度學習的調(diào)制樣式識別問題,主要工作完成總結如下。首先,研究提出了采用混合受限玻爾茲曼機的調(diào)制樣式識別算法。針對常用的MPSK、MQAM和MAPSK等調(diào)制樣式的識別,根據(jù)信號模型詳細推導了MAPSK信號的高階矩計算公式,計算得到16APSK、32APSK、MQAM以及MPSK等信號各階累積量理論值。利用八階、六階、四階和二階累積量構造了用于BPSK、QPSK、8PSK、16QAM、32QAM、16APSK和32APSK識別的兩種信號高階累積量特征參數(shù),采用混合受限玻爾茲曼機神經(jīng)網(wǎng)絡作為分類器進行識別(FHRBM算法)。仿真結果表明:FHRBM算法識別...

【文章頁數(shù)】：87 頁

【學位級別】：碩士

圖3.1HRBM網(wǎng)絡模型

圖4.7基于卷積神經(jīng)網(wǎng)絡的調(diào)制樣式識別模型示意圖

本文編號：3885876