通信信號(hào)調(diào)制識(shí)別,是在接收機(jī)接收到一段盲信號(hào)之后,對(duì)該信號(hào)的調(diào)制方式做出識(shí)別的一個(gè)過(guò)程。調(diào)制識(shí)別在現(xiàn)在無(wú)線(xiàn)電通信中具有十分廣泛的應(yīng)用需求,例如在頻譜管理方面,調(diào)制識(shí)別的研究可以加強(qiáng)對(duì)頻段資源的管理和使用;在認(rèn)知無(wú)線(xiàn)電方面,可以幫助高效地利用頻譜資源;在軍事通信領(lǐng)域方面,對(duì)通信偵查和電子對(duì)抗等等軍事戰(zhàn)場(chǎng)上的應(yīng)用都有重要的意義;所以調(diào)制識(shí)別無(wú)論是對(duì)于民用領(lǐng)域還是軍事領(lǐng)域都是一個(gè)很有熱度的研究方向。調(diào)制識(shí)別通常有人工分類(lèi)和基于特征提取的自動(dòng)識(shí)別兩種模式。而自動(dòng)識(shí)別的方式也就是我們常提到的機(jī)器學(xué)習(xí)方法。深度學(xué)習(xí)也是屬于機(jī)器學(xué)習(xí)方法的一個(gè)分支。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)強(qiáng)有力的分支,是目前最接近人類(lèi)大腦的分層智能學(xué)習(xí)方法,它通過(guò)建立類(lèi)似于人腦的分層模型結(jié)構(gòu),突破淺層學(xué)習(xí)的限制,能夠表征復(fù)雜函數(shù)關(guān)系,對(duì)輸入數(shù)據(jù)逐層提取從底層到高層的特征,最終完成對(duì)復(fù)雜應(yīng)用場(chǎng)景的建模。本文將深度學(xué)習(xí)算法應(yīng)用于調(diào)制識(shí)別領(lǐng)域,是對(duì)新技術(shù)和傳統(tǒng)研究方向的一種融合,具有重要的意義。本文利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為調(diào)制識(shí)別器模型,修正線(xiàn)性單元作為激活函數(shù),交叉熵作為損失函數(shù),Adam作為優(yōu)化方法實(shí)現(xiàn)了基于深度學(xué)習(xí)的調(diào)制識(shí)別算法。首先對(duì)于本文使用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)針對(duì)性的制作調(diào)制信號(hào)樣本。樣本的制作使用的是MATLAB科學(xué)計(jì)算軟件,將所有的調(diào)制信號(hào)頻率搬移至中頻,起到頻率歸一化的作用;用零均值歸一化算法將信號(hào)幅值歸一化;在不同信噪比下生成足夠的數(shù)據(jù)作為樣本。網(wǎng)絡(luò)模型的搭建和訓(xùn)練在基于Tensorflow為計(jì)算后端的Keras深度學(xué)習(xí)框架中進(jìn)行,在對(duì)比不同卷積層,不同輸入長(zhǎng)度的網(wǎng)絡(luò)的性能之后得到最優(yōu)模型參數(shù)。本文的最后根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)得到最優(yōu)模型參數(shù)并分別對(duì)衛(wèi)星調(diào)制類(lèi)別和超短波調(diào)制類(lèi)別進(jìn)行不同載噪比下的性能測(cè)試。實(shí)驗(yàn)表明基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別器對(duì)各類(lèi)調(diào)制信號(hào)都有著良好的識(shí)別性能,與傳統(tǒng)調(diào)制識(shí)別方法相比具有自動(dòng)提取特征,識(shí)別性能好,識(shí)別種類(lèi)多等優(yōu)越性,對(duì)調(diào)制識(shí)別領(lǐng)域的方法創(chuàng)新具有重要的價(jià)值。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TN911.3;TP18
【部分圖文】：

圖 2-4 全連接層示意圖特性模型中非常重要的一個(gè)環(huán)節(jié)，通常添加神經(jīng)網(wǎng)絡(luò)不使用激活函數(shù)，只將每層神對(duì)于輸入來(lái)講也僅僅是一個(gè)線(xiàn)性映射。性很有限，并且從數(shù)據(jù)中學(xué)習(xí)復(fù)雜函數(shù)活函數(shù)，那么這個(gè)網(wǎng)絡(luò)只能是一個(gè)線(xiàn)性的線(xiàn)性函數(shù)可以解決的，所以在神經(jīng)網(wǎng)網(wǎng)絡(luò)模型可以擬合任意復(fù)雜的函數(shù)，就是為此而生。從直觀(guān)上來(lái)講，激活函數(shù)，通過(guò)激活函數(shù)起到閾值判定的作用從的激活函數(shù)有很多，例如 sigmoid，ReLU

第二章 深度學(xué)習(xí)理論基礎(chǔ)2.3.1 Sigmoid 激活函數(shù)在機(jī)器學(xué)習(xí)或早起的神經(jīng)網(wǎng)絡(luò)中常常用到 sigmoid 激活函數(shù)，其函數(shù)表達(dá)式可以表示為： x 1exp1Sigmoid x（2-1）有公式可以計(jì)算出，當(dāng)神經(jīng)元的輸入信息經(jīng)過(guò) sigmoid 激活函數(shù)的作用之后，輸出信息的值將會(huì)被壓縮在[0,1]之間，接近 0 代表著神經(jīng)元處于抑制狀態(tài)，接近 1代表著神經(jīng)元處于激活狀態(tài)，sigmoid 函數(shù)的圖像如圖 2-5（a）所示。而 sigmoid的導(dǎo)函數(shù)可以由計(jì)算得到，在 x 值為 0 時(shí)，取得最大值 0.25，其圖像如圖 2-5（b）所示。

雜性：sigmoid 函數(shù)包含指數(shù)運(yùn)算，在反向傳播求導(dǎo)的時(shí)間。激活函數(shù)多用于二分類(lèi)網(wǎng)絡(luò)，并且由于其具有很好的門(mén)傳播，所以在循環(huán)神經(jīng)網(wǎng)絡(luò)中也有廣泛的應(yīng)用�；詈瘮�(shù)曲函數(shù)中的一個(gè)，是雙曲正切。在數(shù)學(xué)中，雙曲正切正弦和雙曲余弦推導(dǎo)而來(lái)。tanh 的函數(shù)表達(dá)式如下所tanh x 2 2 1 sigmoidxeeeexxxx函數(shù)表達(dá)式可以計(jì)算出，tanh 將實(shí)數(shù)映射到[-1,1]的區(qū)活函數(shù)輸出的均值不是零中心的問(wèn)題。tanh 激活函數(shù)

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 陳澤藝;;基于循環(huán)譜和高階累積量的聯(lián)合模式識(shí)別方法[J];電訊技術(shù);2015年03期

2 趙春暉;楊偉超;馬爽;;基于廣義二階循環(huán)統(tǒng)計(jì)量的通信信號(hào)調(diào)制識(shí)別研究[J];通信學(xué)報(bào);2011年01期

3 陳筱倩;王宏遠(yuǎn);柯志武;;利用循環(huán)相關(guān)特征的自適應(yīng)模糊調(diào)制分類(lèi)[J];應(yīng)用科學(xué)學(xué)報(bào);2009年03期

4 張鳴;韋惠民;閆紅梅;張軍;;基于決策理論的數(shù)字調(diào)制信號(hào)識(shí)別[J];西安科技大學(xué)學(xué)報(bào);2005年04期

5 孫建成,張?zhí)?劉楓;基于支持向量機(jī)的多類(lèi)數(shù)字調(diào)制方式自動(dòng)識(shí)別算法[J];西安交通大學(xué)學(xué)報(bào);2004年06期

6 陳衛(wèi)東,楊紹全,董春曦,徐松濤;多徑信道中MPSK信號(hào)的調(diào)制識(shí)別算法[J];通信學(xué)報(bào);2002年06期

7 呂鐵軍,郭雙冰,肖先賜;基于模糊積分的通信信號(hào)調(diào)制識(shí)別方法研究[J];電子學(xué)報(bào);2001年06期

相關(guān)博士學(xué)位論文 前1條

1 張國(guó)柱;雷達(dá)輻射源識(shí)別技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2005年

相關(guān)碩士學(xué)位論文 前3條

1 周江;基于神經(jīng)網(wǎng)絡(luò)的通信信號(hào)調(diào)制識(shí)別研究及實(shí)現(xiàn)[D];電子科技大學(xué);2018年

2 梁念春;通信信號(hào)檢測(cè)與調(diào)制識(shí)別[D];華南理工大學(xué);2015年

3 周暉;低信噪比下數(shù)字調(diào)制信號(hào)盲識(shí)別研究[D];電子科技大學(xué);2010年

本文編號(hào)：2830496