發(fā)布時(shí)間：2021-06-26 01:59

　　隨著通信技術(shù)的發(fā)展,衛(wèi)星通信系統(tǒng)已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域。但是由于衛(wèi)星通信系統(tǒng)長(zhǎng)期暴露于開(kāi)放的環(huán)境中,容易受到復(fù)雜電磁環(huán)境的影響,干擾類型識(shí)別作為衛(wèi)星通信系統(tǒng)抗干擾的重要組成部分,準(zhǔn)確高效的識(shí)別干擾類型可為通信接收機(jī)選擇干擾抑制消除方法提供支持,從而使抗干擾手段更加智能,提高衛(wèi)星通信系統(tǒng)的性能。目前衛(wèi)星通信系統(tǒng)中干擾識(shí)別技術(shù)的相關(guān)研究,僅將干擾和高斯噪聲疊加在一起進(jìn)行特征提取,仿真驗(yàn)證也僅針對(duì)干噪比JNR進(jìn)行。由于通信信號(hào)的疊加會(huì)使干擾特征提取的準(zhǔn)確度有所降低,所提取的干擾特征含義變得模糊,對(duì)干擾識(shí)別正確概率也會(huì)有一定影響。本文所研究的干擾識(shí)別算法均是以通信信號(hào)、干擾和高斯噪聲疊加為前提,仿真分析也針對(duì)干信比JSR進(jìn)行。另外,由于干擾特征提取方法繁瑣、效率低,本文將深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到干擾識(shí)別中,避免了顯式的提取干擾特征參數(shù),利用卷積神經(jīng)網(wǎng)絡(luò)隱式地提取干擾的局部特性并利用局部信息間的相關(guān)性特點(diǎn),進(jìn)行干擾識(shí)別。本文將BPSK調(diào)制的通信信號(hào)分別與七種典型干擾疊加,混合高斯白噪聲進(jìn)行干擾信號(hào)建模,分別從時(shí)域、頻域以及變換域提取待識(shí)別干擾信號(hào)的八個(gè)特征參數(shù),將無(wú)干擾信號(hào)和七種干擾信號(hào)一... 

【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)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LeNet-5結(jié)構(gòu)

西安電子科技大學(xué)碩士學(xué)位論文絡(luò)的深層次學(xué)習(xí)可以很好地實(shí)現(xiàn)對(duì)復(fù)雜干擾信號(hào)的分類識(shí)別問(wèn)題，多種復(fù)雜干擾下的干擾識(shí)別問(wèn)題具有重要的意義。神經(jīng)網(wǎng)絡(luò)模型有很多，其中 CNN-VGG 網(wǎng)絡(luò)模型于 2014 年在 Siman 中的論文中被提出[50]。2014 年，由牛津大學(xué)計(jì)算機(jī)視覺(jué)幾何ryGroup,VGG)和 Google DeepMind 公司的研究員們一起研發(fā)的深度：VGGNet[51]，VGGNet 研究了卷積神經(jīng)網(wǎng)絡(luò)的深度對(duì)性能網(wǎng)絡(luò)整，最終證明了更深層次的網(wǎng)絡(luò)能夠在一定程度上大幅度的降低錯(cuò)誤性能提高很多。由于 VGG 良好的泛化性以及穩(wěn)定的性能，它現(xiàn)在廣泛的學(xué)習(xí)和使用。本文簡(jiǎn)單介紹 CNN-VGG 的網(wǎng)絡(luò)結(jié)構(gòu)，并在此擾識(shí)別的網(wǎng)絡(luò)結(jié)構(gòu)。CNN-VGG 網(wǎng)絡(luò)的一個(gè)典型結(jié)構(gòu) VGG16 如圖 4


本文編號(hào)：3250400