針對(duì)STBC信號(hào)調(diào)制識(shí)別問題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的STBC信號(hào)調(diào)制識(shí)別,首先對(duì)信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理,然后根據(jù)STBC信號(hào)的特性搭建卷積神經(jīng)網(wǎng)絡(luò)模型,提高特征表達(dá)能力,并根據(jù)訓(xùn)練集調(diào)整神經(jīng)網(wǎng)絡(luò)模型參數(shù),最后利用訓(xùn)練好的網(wǎng)絡(luò)識(shí)別信號(hào)。仿真結(jié)果表明:該算法在較低的信噪比下識(shí)別效果較好,且不需要預(yù)先知道信道信息、噪聲信息和STBC信號(hào)類型,能夠應(yīng)用于認(rèn)知無線電、頻譜監(jiān)控等工程領(lǐng)域中。 

【文章來源】：中國電子科學(xué)研究院學(xué)報(bào). 2020,15(05)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

代價(jià)函數(shù)

假定發(fā)射信號(hào)天線數(shù)量為nt，發(fā)射的二進(jìn)制符號(hào)數(shù)為N，經(jīng)過調(diào)制映射后進(jìn)入編碼模塊，整個(gè)信號(hào)發(fā)射流程如圖1所示。編碼模塊的功能是將這N個(gè)調(diào)制信號(hào)以Nb為單位分塊，整個(gè)發(fā)射信號(hào)塊數(shù)，經(jīng)過編碼矩陣后將Nb個(gè)符號(hào)變?yōu)閚t×L維矩陣，因此為AL為例，第b個(gè)塊Xb=[xb,0,xb,2…xNb-1]經(jīng)過編碼矩陣后得到信號(hào)為:1.2 接收信號(hào)模型

6種不同數(shù)字調(diào)制識(shí)別性能如圖3所示，算法識(shí)別性能在SNR=0dB時(shí)達(dá)到80%，能夠適用于不同的應(yīng)用場(chǎng)景，本文的識(shí)別類型涵蓋6種常見的數(shù)字調(diào)制方式，具有普適性。3.3 不同SNR下混淆矩陣


本文編號(hào)：3408675