通信輻射源由于硬件設(shè)備的特異性導(dǎo)致發(fā)射的信號具備可區(qū)分的細(xì)微特征,傳統(tǒng)通信輻射源識別方法首先提取專家特征然后運用分類器識別,這種方法存在復(fù)雜度高、先驗信息完備以及適用范圍有限等弊端。本文針對上述挑戰(zhàn),運用深度學(xué)習(xí)方法高效且準(zhǔn)確地對相同型號、相同工作模式的不同通信輻射源個體進行識別。論文的主要工作內(nèi)容包括以下三方面:1.提出了對通信輻射源有效識別的深度學(xué)習(xí)模型。分析了典型深度學(xué)習(xí)模型提取通信輻射源細(xì)微特征的可行性,并結(jié)合射頻指紋建模表征設(shè)計深度學(xué)習(xí)模型;探究增加卷積網(wǎng)絡(luò)層對于模型性能提升的作用;通過結(jié)合LSTM并且融合不同卷積層提取的特征優(yōu)化深度學(xué)習(xí)模型;分析卷積核如何提取信號特征從而對模型內(nèi)部機理定性解釋。2.為解決實際情況下有標(biāo)簽信號樣本較少導(dǎo)致模型識別率較低的問題,提出通過為大量無標(biāo)簽信號設(shè)置偽標(biāo)簽的方法優(yōu)化模型。根據(jù)算法Entropy Regularization提出的降低模型對于無標(biāo)簽信號識別概率的熵可進一步提升識別率的思想構(gòu)建深度學(xué)習(xí)模型。實驗證明在多個少量有標(biāo)簽信號樣本場景下,偽標(biāo)簽方法可提升模型識別率;探究設(shè)置偽標(biāo)簽的信號樣本數(shù)量和識別率的關(guān)系;運用可視化方法說明通過偽標(biāo)...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究意義及應(yīng)用背景
        1.1.1 相關(guān)研究概述
        1.1.2 深度學(xué)習(xí)
        1.1.3 遷移學(xué)習(xí)
    1.2 論文的研究內(nèi)容和結(jié)構(gòu)安排
        1.2.1 研究內(nèi)容
        1.2.2 結(jié)構(gòu)安排
第二章 通信輻射源指紋產(chǎn)生機理以及深度學(xué)習(xí)模型選擇
    2.1 引言
    2.2 通信輻射源指紋產(chǎn)生機理以及建模
    2.3 通信輻射源識別的深度學(xué)習(xí)模型設(shè)計
        2.3.1 神經(jīng)網(wǎng)絡(luò)層和信號特征提取的關(guān)系
        2.3.2 神經(jīng)網(wǎng)絡(luò)特征提取融合思想
        2.3.3 識別通信輻射源的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        2.3.4 深度學(xué)習(xí)模型訓(xùn)練以及通信輻射源識別
    2.4 本章小結(jié)
第三章 少量有標(biāo)簽信號樣本條件下的通信輻射源個體識別
    3.1 引言
    3.2 基于偽標(biāo)簽的深度學(xué)習(xí)模型設(shè)計
        3.2.1 少量有標(biāo)簽信號樣本條件下的深度學(xué)習(xí)模型性能分析
        3.2.2 Entropy Regularization算法
        3.2.3 結(jié)合偽標(biāo)簽的深度學(xué)習(xí)模型設(shè)計
    3.3 模型訓(xùn)練以及在少量有標(biāo)簽信號樣本條件下的通信輻射源識別
        3.3.1 深度學(xué)習(xí)模型訓(xùn)練以及超參數(shù)設(shè)置
        3.3.2 結(jié)合偽標(biāo)簽的深度學(xué)習(xí)模型在少量有標(biāo)簽信號樣本條件下應(yīng)用
    3.4 本章小結(jié)
第四章 動態(tài)信道條件下的通信輻射源個體識別
    4.1 引言
    4.2 結(jié)合遷移學(xué)習(xí)的深度學(xué)習(xí)模型設(shè)計
        4.2.1 單信道環(huán)境下模型特征學(xué)習(xí)方法的適用性
        4.2.2 遷移學(xué)習(xí)特征分布距離度量
        4.2.3 結(jié)合遷移學(xué)習(xí)的深度學(xué)習(xí)模型設(shè)計
    4.3 結(jié)合遷移學(xué)習(xí)的深度學(xué)習(xí)模型訓(xùn)練與低信噪比信號識別
        4.3.1 信號數(shù)據(jù)預(yù)處理
        4.3.2 深度學(xué)習(xí)模型訓(xùn)練以及超參數(shù)設(shè)置
        4.3.3 低信噪比信號識別與模型可視化分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 論文下一步工作方向
參考文獻
致謝
攻讀學(xué)位期間取得的研究成果



本文編號：3769589