調(diào)制類型識(shí)別是通信系統(tǒng)中接收端完成基帶信號(hào)解調(diào)的必備技術(shù)。傳統(tǒng)的調(diào)制類型識(shí)別方法需要將調(diào)制類型信息隨信號(hào)一同發(fā)送,這樣會(huì)降低信道帶寬利用率和數(shù)據(jù)吞吐量。自動(dòng)調(diào)制分類技術(shù)（AMC）無(wú)需發(fā)送調(diào)制類型信息,接收端可自動(dòng)判斷信號(hào)的調(diào)制類型,提高了數(shù)據(jù)傳輸率。因此,AMC技術(shù)在民用無(wú)線電監(jiān)測(cè)以及軍用電子對(duì)抗、電子偵查等領(lǐng)域具有重要的應(yīng)用價(jià)值。論文利用信號(hào)星座圖,根據(jù)接收到的符號(hào)樣本在星座圖上的分布情況,計(jì)算生成通信信號(hào)特征圖像。利用計(jì)算成像,將調(diào)制類型的識(shí)別問(wèn)題轉(zhuǎn)化為圖像分類的問(wèn)題。論文構(gòu)建了深度卷積神經(jīng)網(wǎng)絡(luò),利用基帶已調(diào)信號(hào)特征圖對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練,使卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)信號(hào)調(diào)制類型的自動(dòng)識(shí)別。論文的創(chuàng)新在于:首先,提出了一種高效的特征圖像生成算法,在保留圖像原始信息的同時(shí)縮短了計(jì)算成像的時(shí)間;其次,論文提出了一種多尺度特征調(diào)制信號(hào)分類網(wǎng)絡(luò),通過(guò)將不同尺度的特征圖相關(guān)聯(lián),融合了不同尺度的特征信息,提高網(wǎng)絡(luò)對(duì)信號(hào)調(diào)制類型的識(shí)別率。仿真結(jié)果表明,論文提出的特征圖像生成算法相比于其他三種算法具有更高的識(shí)別準(zhǔn)確率和更低的計(jì)算復(fù)雜度,提出的多尺度特征分類網(wǎng)絡(luò)在相同數(shù)據(jù)集下識(shí)別準(zhǔn)確率高于其他三種網(wǎng)絡(luò)結(jié)構(gòu)。 

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 論文研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀與發(fā)展趨勢(shì)
    1.3 論文主要工作及章節(jié)安排
第二章 調(diào)制類型識(shí)別算法設(shè)計(jì)基礎(chǔ)
    2.1 信號(hào)調(diào)制基礎(chǔ)理論
        2.1.1 數(shù)字信號(hào)調(diào)制技術(shù)
        2.1.2 M進(jìn)制正交幅度(MQAM)調(diào)制
        2.1.3 M進(jìn)制的相移鍵控(MPSK)調(diào)制
    2.2 深度學(xué)習(xí)基礎(chǔ)
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)基本理論
        2.2.3 激活函數(shù)
    2.3 本章小結(jié)
第三章 調(diào)制信號(hào)特征圖像生成算法
    3.1 信號(hào)星座圖
    3.2 特征圖像生成
        3.2.1 二值圖像生成算法
        3.2.2 灰度特征圖像生成算法
        3.2.3 鄰域特征增強(qiáng)灰度圖生成算法
    3.3 本章小結(jié)
第四章 基于深度學(xué)習(xí)的通信信號(hào)調(diào)制類型識(shí)別算法
    4.1 調(diào)制類型識(shí)別的典型CNN網(wǎng)絡(luò)
        4.1.1 AlexNet
        4.1.2 GoogLeNet
        4.1.3 Res Net
    4.2 基于多尺度特征分類網(wǎng)絡(luò)的通信信號(hào)調(diào)制類型識(shí)別
        4.2.1 基于深度學(xué)習(xí)的通信信號(hào)調(diào)制類型識(shí)別算法流程
        4.2.2 多尺度特征分類網(wǎng)絡(luò)設(shè)計(jì)
        4.2.3 多尺度特征分類網(wǎng)絡(luò)分析
    4.3 仿真數(shù)據(jù)集
    4.4 測(cè)試結(jié)果
        4.4.1 二值圖像測(cè)試結(jié)果
        4.4.2 特征灰度圖像測(cè)試結(jié)果
        4.4.3 特征增強(qiáng)灰度圖像測(cè)試結(jié)果
        4.4.4 鄰域特征增強(qiáng)灰度圖像測(cè)試結(jié)果
        4.4.5 測(cè)試結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3662467