面對(duì)復(fù)雜的電磁環(huán)境,通信信號(hào)的調(diào)制模式也日趨復(fù)雜,導(dǎo)致現(xiàn)有的通信信號(hào)調(diào)制模式識(shí)別方法不能準(zhǔn)確、快速地識(shí)別通信信號(hào)的調(diào)制模式�，F(xiàn)有的識(shí)別方法主要包括特征參數(shù)的提取和分類(lèi)器的選擇兩部分,其識(shí)別率取決于通信信號(hào)的特征參數(shù)提取,且步驟較為繁瑣。在低信噪比的情況下,噪聲對(duì)特征參數(shù)的準(zhǔn)確性有很大影響,使得現(xiàn)有的識(shí)別方法不能很好實(shí)現(xiàn)通信信號(hào)調(diào)制模式識(shí)別。針對(duì)低信噪比下通信信號(hào)調(diào)制模式準(zhǔn)確識(shí)別問(wèn)題,本文利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)作為調(diào)制識(shí)別器,實(shí)現(xiàn)了基于深度學(xué)習(xí)的通信信號(hào)調(diào)制模式識(shí)別算法。在本文中,首先對(duì)于通信信號(hào)調(diào)制類(lèi)型的產(chǎn)生機(jī)理和深度學(xué)習(xí)相關(guān)理論進(jìn)行研究和分析,詳細(xì)介紹了深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)、常用的激活函數(shù)和優(yōu)化算法,為本文采用的基于深度學(xué)習(xí)的通信信號(hào)調(diào)制模式識(shí)別方法提供理論基礎(chǔ);然后,從信號(hào)的時(shí)頻域出發(fā),對(duì)通信調(diào)制信號(hào)經(jīng)過(guò)時(shí)頻分析后生成的特征圖像進(jìn)行了研究。通過(guò)對(duì)幾種常用時(shí)頻分析方法的對(duì)比分析,選出可以很好凸顯不同信號(hào)調(diào)制模式之間的差別的時(shí)頻分析方法,將時(shí)頻圖轉(zhuǎn)換成深度網(wǎng)絡(luò)能處理的數(shù)字圖像。使用基于時(shí)頻特征的調(diào)制信號(hào)圖像生成算法生成深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練所需的訓(xùn)練集和測(cè)試集樣本;最后,... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

CNN 基本結(jié)構(gòu)圖

第2章通信信號(hào)調(diào)制模式識(shí)別基礎(chǔ)理論15輸入數(shù)據(jù)的局部特征。而且卷積層中每一個(gè)卷積核都不同，因此每一個(gè)子特征圖包含的特征都是獨(dú)有的，當(dāng)卷積核的數(shù)目越多時(shí)，提取到輸入數(shù)據(jù)的特征就越多。池化層：該層一般跟在卷積層后面，根據(jù)其操作原理，也可以稱(chēng)為下采樣層。該層主要是用來(lái)減少提取到的特征數(shù)量，從而達(dá)到降低計(jì)算量，加快網(wǎng)絡(luò)的訓(xùn)練過(guò)程，并使得特征具有局部平移不變性的目的。常見(jiàn)的池化操作主要有有最大池化、隨機(jī)池化和平均池化三種。全連接層：就是普通神經(jīng)網(wǎng)絡(luò)采用的連接方式，將所有的特征都連接起來(lái)。通常，一個(gè)CNN中往往包含不止一個(gè)全連接層。輸出層：該層包含的神經(jīng)元個(gè)數(shù)是需要識(shí)別的種類(lèi)數(shù)，對(duì)于多個(gè)目標(biāo)識(shí)別時(shí)，輸出層就是一個(gè)Softmax函數(shù)分類(lèi)器，然后進(jìn)行輸出。2.卷積運(yùn)算卷積運(yùn)算分為連續(xù)型卷積運(yùn)算和離散型卷積運(yùn)算。連續(xù)卷積的公式如式(2.19)所示，離散卷積的公式如式(2.20)所示。連續(xù)卷積公式：ytxshtsdsxtht（2.19）離散卷積公式：kynxkhnkxnhn（2.20）CNN中主要采用離散卷積運(yùn)算來(lái)進(jìn)行卷積操作的，卷積核是與輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算的一小塊區(qū)域，其主要包括權(quán)值和偏置兩部分參數(shù)，卷積核的共享度大小就是由這兩個(gè)參數(shù)決定的。當(dāng)這兩個(gè)參數(shù)越大時(shí)，提取的特征涉及的區(qū)域就越大，反之，則提取的特征涉及的區(qū)域就越校具體如圖2.6所示：圖2.6CNN的三維局部特征提取如圖2.6所示，三維卷積層的神經(jīng)元進(jìn)行卷積計(jì)算時(shí)，每個(gè)卷積核的深度要與輸入部分的深度相同，假定輸入層的大小為32*32*3，若卷積核的大小為7*7，數(shù)目為16時(shí)，那么就有16個(gè)7*7*3的權(quán)重區(qū)域與輸入層進(jìn)行卷積計(jì)算，即7*7*3的

吉林大學(xué)碩士學(xué)位論文16權(quán)重區(qū)域與輸入數(shù)據(jù)進(jìn)行點(diǎn)積運(yùn)算后，再加上偏置，與多層感知器的前向傳播算法的操作原理一致。上圖中一個(gè)大小為7*7的卷積核，其權(quán)重參數(shù)為7*7*3=147個(gè)，且其偏置參數(shù)的深度也為3。在進(jìn)行卷積運(yùn)算時(shí)需要注意，卷積核核偏置的深度必須與輸入的數(shù)據(jù)的深度一致。在進(jìn)行卷積計(jì)算時(shí)，需要注意深度，步長(zhǎng)(stride)和補(bǔ)零(Zero-padding)三個(gè)重要的參數(shù)。因?yàn)樯疃葲Q定了卷積層的輸出深度，而步長(zhǎng)決定了卷積核進(jìn)行下一次計(jì)算時(shí)需要滑動(dòng)的間隔。如果步長(zhǎng)很大，則經(jīng)過(guò)卷積運(yùn)算后得到的輸出維度將會(huì)較��；相反，則得到的輸出維度將會(huì)較大。補(bǔ)零則可以決定卷積運(yùn)算后輸出的大小，其操作步驟就是對(duì)輸入數(shù)據(jù)的邊界進(jìn)行補(bǔ)零。計(jì)算卷積操作后輸出的大小為：21WFPS（2.21）式中，W為卷積層輸入的大小，F(xiàn)為卷積核的大小，S為步長(zhǎng)，P為邊界補(bǔ)零的層數(shù)。3.池化操作圖2.7池化操作的三種方法CNN經(jīng)過(guò)卷積層進(jìn)行特征提取后，將會(huì)得到多個(gè)子特征圖，且每個(gè)子特征圖包

【參考文獻(xiàn)】：
期刊論文
[1]基于圖像深度學(xué)習(xí)的無(wú)線電信號(hào)識(shí)別[J]. 周鑫,何曉新,鄭昌文.  通信學(xué)報(bào). 2019(07)
[2]利用稀疏自編碼器的調(diào)制樣式識(shí)別算法[J]. 楊安鋒,趙知?jiǎng)?陳穎.  信號(hào)處理. 2018(07)
[3]分離通道聯(lián)合卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)調(diào)制識(shí)別[J]. 郭有為,蔣鴻宇,周劼,蘇建中.  電訊技術(shù). 2018(06)
[4]基于高階累積量和循環(huán)譜的信號(hào)調(diào)制方式混合識(shí)別算法[J]. 趙雄文,郭春霞,李景春.  電子與信息學(xué)報(bào). 2016(03)
[5]衛(wèi)星通信信號(hào)體系調(diào)制識(shí)別技術(shù)[J]. 馬兆宇,韓福麗,謝智東,胡婧,邊東明,張更新.  航空學(xué)報(bào). 2014(12)

博士論文
[1]大動(dòng)態(tài)信噪比下數(shù)字調(diào)制信號(hào)識(shí)別方法研究[D]. 王輝.哈爾濱工程大學(xué) 2018

碩士論文
[1]基于深度學(xué)習(xí)的通信信號(hào)調(diào)制類(lèi)型識(shí)別研究[D]. 田得雨.西安電子科技大學(xué) 2019
[2]基于深度學(xué)習(xí)的數(shù)字調(diào)制信號(hào)識(shí)別算法研究[D]. 王詠實(shí).電子科技大學(xué) 2019
[3]壓縮感知輔助的非正交多址接入檢測(cè)技術(shù)研究[D]. 高鵬宇.電子科技大學(xué) 2019
[4]基于深度學(xué)習(xí)的無(wú)線電信號(hào)識(shí)別方法研究[D]. 黃震宇.西安電子科技大學(xué) 2018
[5]基于瞬時(shí)信息及譜特征的調(diào)制方式自動(dòng)識(shí)別[D]. 董雪.哈爾濱工程大學(xué) 2018
[6]時(shí)頻協(xié)同濾波算法設(shè)計(jì)與分析[D]. 蔣凡.哈爾濱工業(yè)大學(xué) 2016
[7]通信信號(hào)調(diào)制方式自動(dòng)識(shí)別算法研究[D]. 湯滋青.西安電子科技大學(xué) 2015



本文編號(hào)：3253555