基于波形優(yōu)化的深度調(diào)制識(shí)別方法
發(fā)布時(shí)間:2021-07-22 06:32
自動(dòng)調(diào)制識(shí)別技術(shù),可在接收信號(hào)在樣式未知、內(nèi)容未知的前提條件下,自動(dòng)對(duì)其調(diào)制方式進(jìn)行估計(jì)。提出一種基于深度學(xué)習(xí)的調(diào)制識(shí)別方法,該方法通過(guò)波形優(yōu)化的方法迭代更新濾波器參數(shù),對(duì)接收信號(hào)樣本進(jìn)行濾波,再通過(guò)深度識(shí)別網(wǎng)絡(luò)進(jìn)行識(shí)別。該方法在處理流程中存在識(shí)別結(jié)果對(duì)濾波器參數(shù)的反饋回路,能夠減輕信道對(duì)調(diào)制識(shí)別結(jié)果的不利影響。通過(guò)開源數(shù)據(jù)集進(jìn)行驗(yàn)證,證明了該方法相比于幾種利用經(jīng)典深度學(xué)習(xí)網(wǎng)絡(luò)的方法,識(shí)別率均有所提高。特別是相比于傳統(tǒng)的CNN方法,識(shí)別率提高了約7%。
【文章來(lái)源】:電子測(cè)量與儀器學(xué)報(bào). 2020,34(10)北大核心CSCD
【文章頁(yè)數(shù)】:8 頁(yè)
【部分圖文】:
方法整體結(jié)構(gòu)
波形優(yōu)化的流程如圖2所示,識(shí)別網(wǎng)絡(luò)將識(shí)別的輸出g( s ^ )與計(jì)算得到的輸出相對(duì)于波形參數(shù)的偏導(dǎo)數(shù)Δhg( s ^ )作為輸入,送入到波形優(yōu)化模塊。波形優(yōu)化模塊根據(jù)g( s ^ )與 ? h g( s ^ ) 對(duì)波形參數(shù)進(jìn)行迭代調(diào)整,從而對(duì)樣本信號(hào)進(jìn)行FIR濾波。圖2用不同的序號(hào)標(biāo)出了波形優(yōu)化過(guò)程中最主要的幾個(gè)過(guò)程。1)FIR濾波
其中CNN調(diào)制識(shí)別網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示,其包含2層卷集層,2層全聯(lián)接層,每一層的參數(shù)情況如圖所示。其中第1層卷集層的卷積核大小為1×8,主要用于分別提取I路或Q路的特征,第2層的卷積核大小為2×8,主要用于提取IQ路的聯(lián)合特征。第3層全聯(lián)接層的輸出單元數(shù)目為256,第4層全聯(lián)接層的輸出單元的數(shù)目為11,該數(shù)目與本文所用到的調(diào)制識(shí)別數(shù)據(jù)集中的調(diào)制種類相同。CLDNN網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示,存在3層卷積層,每一層的卷積核的維度都是1×8,并且每層卷積層的通道數(shù)或?yàn)V波器數(shù)都為50。將數(shù)據(jù)通過(guò)第1層卷積層后的輸出向量,與數(shù)據(jù)通過(guò)第3層的輸出向量合并后,得到新的特征向量。將該向量作為輸入,輸入到長(zhǎng)短時(shí)記憶單元(long short time memory, LSTM)中進(jìn)行處理。然后通過(guò)與上述的CNN網(wǎng)絡(luò)相同的兩層全聯(lián)接層中(同樣第一層輸出單元數(shù)目為256,第2層為80),得到最終的分類結(jié)果。
【參考文獻(xiàn)】:
期刊論文
[1]基于殘差網(wǎng)絡(luò)的自動(dòng)調(diào)制識(shí)別[J]. 郭堅(jiān),漆軒. 計(jì)算機(jī)工程與設(shè)計(jì). 2019(09)
[2]基于改進(jìn)平方檢測(cè)和新型K-N互卷積窗的閃變參數(shù)檢測(cè)[J]. 張民謠,高云鵬,吳聰,朱彥卿,曹一家. 儀器儀表學(xué)報(bào). 2019(08)
[3]基于序列判決和相位排序的GLRT最優(yōu)序列檢測(cè)算法[J]. 李凌,尹航. 電子測(cè)量與儀器學(xué)報(bào). 2019(01)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制方式識(shí)別[J]. 彭超然,刁偉鶴,杜振宇. 計(jì)算機(jī)測(cè)量與控制. 2018(08)
[5]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)
[6]基于相位差分的脈內(nèi)調(diào)制信號(hào)類型識(shí)別[J]. 曾德國(guó),熊輝,龍柯宇,唐斌. 電子測(cè)量與儀器學(xué)報(bào). 2009(10)
本文編號(hào):3296640
【文章來(lái)源】:電子測(cè)量與儀器學(xué)報(bào). 2020,34(10)北大核心CSCD
【文章頁(yè)數(shù)】:8 頁(yè)
【部分圖文】:
方法整體結(jié)構(gòu)
波形優(yōu)化的流程如圖2所示,識(shí)別網(wǎng)絡(luò)將識(shí)別的輸出g( s ^ )與計(jì)算得到的輸出相對(duì)于波形參數(shù)的偏導(dǎo)數(shù)Δhg( s ^ )作為輸入,送入到波形優(yōu)化模塊。波形優(yōu)化模塊根據(jù)g( s ^ )與 ? h g( s ^ ) 對(duì)波形參數(shù)進(jìn)行迭代調(diào)整,從而對(duì)樣本信號(hào)進(jìn)行FIR濾波。圖2用不同的序號(hào)標(biāo)出了波形優(yōu)化過(guò)程中最主要的幾個(gè)過(guò)程。1)FIR濾波
其中CNN調(diào)制識(shí)別網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示,其包含2層卷集層,2層全聯(lián)接層,每一層的參數(shù)情況如圖所示。其中第1層卷集層的卷積核大小為1×8,主要用于分別提取I路或Q路的特征,第2層的卷積核大小為2×8,主要用于提取IQ路的聯(lián)合特征。第3層全聯(lián)接層的輸出單元數(shù)目為256,第4層全聯(lián)接層的輸出單元的數(shù)目為11,該數(shù)目與本文所用到的調(diào)制識(shí)別數(shù)據(jù)集中的調(diào)制種類相同。CLDNN網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示,存在3層卷積層,每一層的卷積核的維度都是1×8,并且每層卷積層的通道數(shù)或?yàn)V波器數(shù)都為50。將數(shù)據(jù)通過(guò)第1層卷積層后的輸出向量,與數(shù)據(jù)通過(guò)第3層的輸出向量合并后,得到新的特征向量。將該向量作為輸入,輸入到長(zhǎng)短時(shí)記憶單元(long short time memory, LSTM)中進(jìn)行處理。然后通過(guò)與上述的CNN網(wǎng)絡(luò)相同的兩層全聯(lián)接層中(同樣第一層輸出單元數(shù)目為256,第2層為80),得到最終的分類結(jié)果。
【參考文獻(xiàn)】:
期刊論文
[1]基于殘差網(wǎng)絡(luò)的自動(dòng)調(diào)制識(shí)別[J]. 郭堅(jiān),漆軒. 計(jì)算機(jī)工程與設(shè)計(jì). 2019(09)
[2]基于改進(jìn)平方檢測(cè)和新型K-N互卷積窗的閃變參數(shù)檢測(cè)[J]. 張民謠,高云鵬,吳聰,朱彥卿,曹一家. 儀器儀表學(xué)報(bào). 2019(08)
[3]基于序列判決和相位排序的GLRT最優(yōu)序列檢測(cè)算法[J]. 李凌,尹航. 電子測(cè)量與儀器學(xué)報(bào). 2019(01)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制方式識(shí)別[J]. 彭超然,刁偉鶴,杜振宇. 計(jì)算機(jī)測(cè)量與控制. 2018(08)
[5]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)
[6]基于相位差分的脈內(nèi)調(diào)制信號(hào)類型識(shí)別[J]. 曾德國(guó),熊輝,龍柯宇,唐斌. 電子測(cè)量與儀器學(xué)報(bào). 2009(10)
本文編號(hào):3296640
本文鏈接:http://sikaile.net/kejilunwen/xinxigongchenglunwen/3296640.html
最近更新
教材專著