針對現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)方法下調(diào)制識別時(shí)間較長、網(wǎng)絡(luò)較復(fù)雜等問題,將卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）與雙向長短期記憶神經(jīng)網(wǎng)絡(luò)（Bi-directional Long Short-Term Memory,BiLSTM）相結(jié)合,提出一種基于CNN-BiLSTM的調(diào)制方式識別方法。利用CNN卷積運(yùn)算提取信號的空間特征,利用BiLSTM提取到信號的時(shí)序相關(guān)性,利用softmax層輸出識別概率,達(dá)到多調(diào)制識別的目的。實(shí)驗(yàn)結(jié)果表明,在沒有信道和噪聲等先驗(yàn)信息的條件下,該方法的識別性能得到了進(jìn)一步提升,能有效識別16QAM、64QAM等11種調(diào)制類別,且該方法的復(fù)雜度較低,大大節(jié)省了訓(xùn)練識別時(shí)間,具有較好的工程應(yīng)用價(jià)值。 

【文章來源】：火力與指揮控制. 2020,45(06)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

SNR=16dB時(shí)，CNN-BiLSTM的混淆矩陣

網(wǎng)絡(luò)復(fù)雜度，調(diào)制識別性能得到了一定的改善。下一步將重點(diǎn)研究在信噪比低于-14dB時(shí)，如何有效提高算法的識別性能。參考文獻(xiàn)：［1］WANGF，DOBREOA，CHANC，etal.Fold-basedkol-mogorov-smirnovmodulationclassifier［J］.IEEESignalPro-cessingLetters，2016，23（7）：1003-1007.［2］DOBREO.Signalidentificationforemergingintelligentra-調(diào)試識別方法單次平均訓(xùn)練用時(shí)（s）總用時(shí)（h）訓(xùn)練參數(shù)個(gè)數(shù)（個(gè)）CNN-BiLSTM1551.833329.31242384427CNN28685.6393149.5860362155圖7SNR=0dB時(shí)，CNN的混淆矩陣圖8SNR=0dB時(shí)，CNN-BiLSTM的混淆矩陣圖9SNR=16dB時(shí)，CNN的混淆矩陣圖10SNR=16dB時(shí)，CNN-BiLSTM的混淆矩陣·133·1087

的改善。下一步將重點(diǎn)研究在信噪比低于-14dB時(shí)，如何有效提高算法的識別性能。參考文獻(xiàn)：［1］WANGF，DOBREOA，CHANC，etal.Fold-basedkol-mogorov-smirnovmodulationclassifier［J］.IEEESignalPro-cessingLetters，2016，23（7）：1003-1007.［2］DOBREO.Signalidentificationforemergingintelligentra-調(diào)試識別方法單次平均訓(xùn)練用時(shí)（s）總用時(shí)（h）訓(xùn)練參數(shù)個(gè)數(shù)（個(gè)）CNN-BiLSTM1551.833329.31242384427CNN28685.6393149.5860362155圖7SNR=0dB時(shí)，CNN的混淆矩陣圖8SNR=0dB時(shí)，CNN-BiLSTM的混淆矩陣圖9SNR=16dB時(shí)，CNN的混淆矩陣圖10SNR=16dB時(shí)，CNN-BiLSTM的混淆矩陣·133·1087

【參考文獻(xiàn)】：
期刊論文
[1]聯(lián)合頻偏估計(jì)與循環(huán)矩的MPSK信號調(diào)制識別算法[J]. 吳濤,狄旻珉,黃國策.  儀表技術(shù)與傳感器. 2014(12)

碩士論文
[1]基于深度學(xué)習(xí)的調(diào)制識別算法研究[D]. 吳彥倫.電子科技大學(xué) 2018
[2]低信噪比下數(shù)字調(diào)制信號盲識別研究[D]. 周暉.電子科技大學(xué) 2010



本文編號：3315299