調(diào)制樣式識(shí)別是非協(xié)作通信過(guò)程中重要環(huán)節(jié),是完成解調(diào)進(jìn)而獲取信息的前提,常用于電子偵察、電子干擾和頻譜監(jiān)管等,有著重要的軍用和民用價(jià)值。近年來(lái),機(jī)器學(xué)習(xí)發(fā)展迅速,受到廣泛關(guān)注。機(jī)器學(xué)習(xí)有著強(qiáng)大的分類性能,因此本文主要研究基于機(jī)器學(xué)習(xí)的調(diào)制樣式識(shí)別算法。首先,為了提高基于模式識(shí)別和單分類器的調(diào)制樣式識(shí)別算法性能,針對(duì)16APSK、32APSK、16QAM、32QAM、BPSK、QPSK和8PSK信號(hào)識(shí)別,研究了基于集成學(xué)習(xí)的調(diào)制樣式識(shí)別算法。提出了多個(gè)高階累積量組合的特征參數(shù),仿真結(jié)果表明,所提出的特征參數(shù)優(yōu)于傳統(tǒng)的基于兩累積量比值形式的特征參數(shù)。為了提高單個(gè)分類器識(shí)別率和泛化能力,分別提出了采用集成分類器Adaboost的HOCAB算法和采用隨機(jī)森林(RF)的HOCRF算法。仿真結(jié)果表明,采用了集成學(xué)習(xí)的HOCAB算法和HOCRF算法的識(shí)別性能優(yōu)于采用決策樹(shù)的HOCDT算法,HOCRF與HOCDT的運(yùn)算時(shí)間幾乎一樣多,遠(yuǎn)低于HOCAB算法。其次,為克服基于統(tǒng)計(jì)模式識(shí)別的調(diào)制樣式識(shí)別算法性能對(duì)特征參數(shù)的依賴性,利用深度學(xué)習(xí)強(qiáng)大的信號(hào)特征提取能力,研究了基于深度學(xué)習(xí)的調(diào)制樣式識(shí)別算法。分別研...

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
縮略語(yǔ)對(duì)照表
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)調(diào)制樣式識(shí)別
        1.2.2 基于機(jī)器學(xué)習(xí)的調(diào)制樣式識(shí)別
    1.3 本文主要工作及章節(jié)安排
        1.3.1 本文主要工作
        1.3.2 本文章節(jié)安排
第2章 基于集成學(xué)習(xí)的調(diào)制樣式識(shí)別算法
    2.1 引言
    2.2 基于多個(gè)HOC組合的特征參數(shù)
    2.3 基于決策樹(shù)的調(diào)制樣式識(shí)別算法
    2.4 基于Adaboost的調(diào)制樣式識(shí)別算法
    2.5 基于RF的調(diào)制樣式識(shí)別算法
    2.6 算法仿真與性能分析
    2.7 本章小結(jié)
第3章 基于深度學(xué)習(xí)的調(diào)制樣式識(shí)別算法
    3.1 引言
    3.2 深度學(xué)習(xí)基本理論
        3.2.1 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        3.2.2 反向傳播算法
        3.2.3 深度學(xué)習(xí)中的正則化策略
    3.3 基于LSTM的調(diào)制樣式識(shí)別算法
        3.3.1 LSTM基本理論
        3.3.2 LSTM算法設(shè)計(jì)
        3.3.3 LSTM算法仿真與性能分析
    3.4 基于CNN的調(diào)制樣式識(shí)別算法
        3.4.1 CNN基本理論
        3.4.2 CNN算法設(shè)計(jì)
        3.4.3 CNN算法仿真與性能分析
    3.5 基于CNN于LSTM結(jié)合的調(diào)制樣式識(shí)別算法
        3.5.1 CLP算法設(shè)計(jì)
        3.5.2 CLP算法仿真與性能分析
    3.6 基于集成異構(gòu)神經(jīng)網(wǎng)絡(luò)的調(diào)制樣式識(shí)別算法
        3.6.1 算法設(shè)計(jì)
        3.6.2 HNBagging算法仿真與性能分析
    3.7 本章小結(jié)
第4章 基于遷移學(xué)習(xí)的調(diào)制樣式識(shí)別算法
    4.1 引言
    4.2 算法設(shè)計(jì)
        4.2.1 遷移學(xué)習(xí)原理
        4.2.2 模型設(shè)計(jì)
    4.3 算法訓(xùn)練
    4.4 算法仿真與性能分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.4.2 仿真實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第5章 總結(jié)與展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3768495