調制類型識別是通信系統(tǒng)中接收端完成基帶信號解調的必備技術。傳統(tǒng)的調制類型識別方法需要將調制類型信息隨信號一同發(fā)送,這樣會降低信道帶寬利用率和數據吞吐量。自動調制分類技術（AMC）無需發(fā)送調制類型信息,接收端可自動判斷信號的調制類型,提高了數據傳輸率。因此,AMC技術在民用無線電監(jiān)測以及軍用電子對抗、電子偵查等領域具有重要的應用價值。論文利用信號星座圖,根據接收到的符號樣本在星座圖上的分布情況,計算生成通信信號特征圖像。利用計算成像,將調制類型的識別問題轉化為圖像分類的問題。論文構建了深度卷積神經網絡,利用基帶已調信號特征圖對網絡進行了訓練,使卷積神經網絡能夠實現信號調制類型的自動識別。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縮短了計算成像的時間;其次,論文提出了一種多尺度特征調制信號分類網絡,通過將不同尺度的特征圖相關聯(lián),融合了不同尺度的特征信息,提高網絡對信號調制類型的識別率。仿真結果表明,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別準確率和更低的計算復雜度,提出的多尺度特征分類網絡在相同數據集下識別準確率高于其他三種網絡結構。 

【文章頁數】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 論文研究背景和意義
    1.2 國內外研究現狀與發(fā)展趨勢
    1.3 論文主要工作及章節(jié)安排
第二章 調制類型識別算法設計基礎
    2.1 信號調制基礎理論
        2.1.1 數字信號調制技術
        2.1.2 M進制正交幅度(MQAM)調制
        2.1.3 M進制的相移鍵控(MPSK)調制
    2.2 深度學習基礎
        2.2.1 人工神經網絡基礎
        2.2.2 卷積神經網絡基本理論
        2.2.3 激活函數
    2.3 本章小結
第三章 調制信號特征圖像生成算法
    3.1 信號星座圖
    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 鄰域特征增強灰度圖生成算法
    3.3 本章小結
第四章 基于深度學習的通信信號調制類型識別算法
    4.1 調制類型識別的典型CNN網絡
        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絡的通信信號調制類型識別
        4.2.1 基于深度學習的通信信號調制類型識別算法流程
        4.2.2 多尺度特征分類網絡設計
        4.2.3 多尺度特征分類網絡分析
    4.3 仿真數據集
    4.4 測試結果
        4.4.1 二值圖像測試結果
        4.4.2 特征灰度圖像測試結果
        4.4.3 特征增強灰度圖像測試結果
        4.4.4 鄰域特征增強灰度圖像測試結果
        4.4.5 測試結果分析
    4.5 本章小結
第五章 總結與展望
參考文獻
致謝
作者簡介



本文編號：3662467