發(fā)布時間：2024-03-07 02:06

　　針對基于特征提取的調(diào)制信號識別算法準(zhǔn)確性不高的問題,將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)應(yīng)用于調(diào)制信號識別,實現(xiàn)調(diào)制信號的空間和時序特征的自學(xué)習(xí),避免了傳統(tǒng)算法中特征選擇和提取步驟,提高了識別準(zhǔn)確率。調(diào)制信號樣本為RaidoML2016.10a國際標(biāo)準(zhǔn)數(shù)據(jù)集,實驗結(jié)果表明,CNN的識別準(zhǔn)確率優(yōu)于傳統(tǒng)的調(diào)制信號識別算法。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1無線通信系統(tǒng)組成

式中：x(t)為按照時間t發(fā)送的信號；f(t)為調(diào)制類型；符號“?”為卷積操作；h(t)為信道效應(yīng)；n(t)為加性噪聲。給定接收信號y(t),調(diào)制識別旨在預(yù)測f(t)的調(diào)制類型。1.2調(diào)制信號的累積量特征

圖2基于CNN的調(diào)制識別模型

在使用CNN模型[14-17]進(jìn)行調(diào)制識別時，由于CNN具有空間特征學(xué)習(xí)能力，可直接對調(diào)制信號的IQ分量進(jìn)行處理，本節(jié)將信號的原始樣本作為網(wǎng)絡(luò)的輸入。信號樣本采用國際標(biāo)準(zhǔn)數(shù)據(jù)集RML2016.10a_dict[19]。樣本χ由信號的同相和正交分量組成。由于樣本維度較小，本文設(shè)計的....

圖3CNN與SVM、KNN的識別準(zhǔn)確率對比

將CNN與兩種特征提取的調(diào)制識別算法進(jìn)行對比。特征提取的調(diào)制識別算法使用的信號專家特征為1.2節(jié)中提到的四階累積量特征。對比的是SVM和KNN兩種算法，準(zhǔn)確率對比如圖3所示�？梢�，在信噪比為-20～-16dB時，CNN、SVM以及KNN算法的識別準(zhǔn)確率均在10%左右。隨著信噪比....

圖4在信噪比為-18dB時CNN的混淆矩陣

針對RML2016.10a數(shù)據(jù)集中多種調(diào)制類型，進(jìn)一步研究CNN的識別性能，利用混淆矩陣來觀察每個類型的識別情況�；煜仃嚨臋M坐標(biāo)為樣本的網(wǎng)絡(luò)預(yù)測信號類型(預(yù)測標(biāo)簽),縱坐標(biāo)為這些樣本的實際信號類型(真實標(biāo)簽)。圖4為CNN在信噪比為-18dB時的識別結(jié)果混淆矩陣。在混淆矩陣的....

本文編號：3921221