隨著通信信號調(diào)制方式的日益多樣化,通信信號調(diào)制方式識別在信號分析領域中發(fā)揮著重要作用。由于受信道環(huán)境和調(diào)制進制數(shù)的影響,傳統(tǒng)基于似然比檢測和特征提取的調(diào)制識別方法識別率較差。而神經(jīng)網(wǎng)絡在語音識別和圖像識別方面已取得了優(yōu)異性能,且具有較強的泛化能力和魯棒性,因此將神經(jīng)網(wǎng)絡應用于調(diào)制識別是可行的。傳統(tǒng)的神經(jīng)網(wǎng)絡識別方法通常將信號特征作為輸入,這種方法受輸入特征質(zhì)量的影響較大,且無法擴展到其他調(diào)制信號。近來有部分研究人員利用深度神經(jīng)網(wǎng)絡直接識別調(diào)制信號,并取得了較好的識別效果。因此本文深入研究基于神經(jīng)網(wǎng)絡的數(shù)字調(diào)制方式識別方法,主要工作完成總結如下。本文提出了一種基于一維卷積神經(jīng)網(wǎng)絡(One-Dimentinal Convolutional Neural Network,1-D CNN)的數(shù)字調(diào)制識別方法。該方法針對中頻調(diào)制信號的一維采樣序列,設計了1-D CNN分類模型,并使用已知調(diào)制采樣序列和調(diào)制方式對網(wǎng)絡進行有監(jiān)督的訓練,然后使用訓練好的網(wǎng)絡對調(diào)制信號進行識別。為了獲得最佳的識別性能,本文設計了對照實驗以確定網(wǎng)絡的最佳參數(shù),包括樣本長度、訓練集等因素。實驗結果表明,提出的1-D CNN...

【文章頁數(shù)】：81 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 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 基于似然比檢測的方法
        1.2.2 基于特征提取的方法
        1.2.3 基于神經(jīng)網(wǎng)絡的方法
    1.3 主要研究內(nèi)容及章節(jié)安排
第二章 相關理論基礎
    2.1 數(shù)字調(diào)制信號
        2.1.1 幅移鍵控
        2.1.2 頻移鍵控
        2.1.3 相移鍵控
        2.1.4 正交振幅調(diào)制
    2.2 信道模型
        2.2.1 高斯白噪聲信道
        2.2.2 多徑衰落信道
    2.3 神經(jīng)網(wǎng)絡
        2.3.1 神經(jīng)網(wǎng)絡的構成
        2.3.2 神經(jīng)網(wǎng)絡的訓練
    2.4 課程學習
    2.5 本章小結
第三章 基于一維卷積神經(jīng)網(wǎng)絡的調(diào)制識別方法
    3.1 卷積神經(jīng)網(wǎng)絡原理
    3.2 卷積神經(jīng)網(wǎng)絡的設計
        3.2.1 網(wǎng)絡結構
        3.2.2 網(wǎng)絡參數(shù)
    3.3 性能測試與分析
        3.3.1 參數(shù)對網(wǎng)絡性能的影響
        3.3.2 識別率測試
    3.4 本章小結
第四章 基于深度殘差網(wǎng)絡與課程學習的調(diào)制識別方法
    4.1 數(shù)字調(diào)制識別模型
    4.2 信號預處理
        4.2.1 歸一化
        4.2.2 可視化
    4.3 導師網(wǎng)絡
        4.3.1 基于樣本的課程提取
        4.3.2 算法實現(xiàn)
        4.3.3 導師網(wǎng)絡的實現(xiàn)
    4.4 學生網(wǎng)絡
        4.4.1 學生網(wǎng)絡的結構
        4.4.2 網(wǎng)絡參數(shù)設置
        4.4.3 學生網(wǎng)絡的實現(xiàn)
    4.5 性能測試與分析
        4.5.1 識別率測試
        4.5.2 魯棒性測試及分析
        4.5.3 實際調(diào)制信號測試
    4.6 本章小結
第五章 總結與展望
    5.1 論文工作總結
    5.2 展望
參考文獻
致謝
作者簡介



本文編號：3773036