現(xiàn)代無(wú)線通信系統(tǒng)面臨著日益復(fù)雜的電磁環(huán)境,受多種噪聲和干擾信號(hào)的影響。在通信過(guò)程中,通信方如果能夠有效識(shí)別出干擾信號(hào)類型,便可采取相應(yīng)的抗干擾措施,最大限度地躲避或抑制干擾,降低干擾對(duì)通信質(zhì)量的損害。近年來(lái),隨著深度學(xué)習(xí)的不斷發(fā)展及其在圖像和語(yǔ)音處理等領(lǐng)域的突出表現(xiàn),驗(yàn)證了深度學(xué)習(xí)具有極強(qiáng)的非線性映射和數(shù)據(jù)表達(dá)能力,激發(fā)研究者將深度學(xué)習(xí)應(yīng)用于通信抗干擾領(lǐng)域,提高系統(tǒng)的抗干擾能力。本文研究基于深度學(xué)習(xí)的無(wú)線通信干擾信號(hào)識(shí)別與處理技術(shù),主要研究?jī)?nèi)容如下:論文第一章給出了論文的研究背景,總結(jié)了無(wú)線通信中干擾識(shí)別與抑制的研究現(xiàn)狀,以及論文的研究?jī)?nèi)容。論文第二章主要介紹了智能抗干擾通信系統(tǒng)架構(gòu)和典型壓制式干擾信號(hào)的數(shù)學(xué)模型。論文第三章研究了基于深度學(xué)習(xí)的干擾識(shí)別網(wǎng)絡(luò),針對(duì)基于特征提取的干擾識(shí)別算法需要依賴人工提取特征、復(fù)雜度高、可能提取特征不完全或冗余等問(wèn)題,提出了實(shí)數(shù)干擾識(shí)別網(wǎng)絡(luò);同時(shí)為了減少實(shí)數(shù)干擾識(shí)別網(wǎng)絡(luò)訓(xùn)練過(guò)程中信號(hào)相位信息損失,提出了與實(shí)數(shù)干擾識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)對(duì)應(yīng)的復(fù)數(shù)干擾識(shí)別網(wǎng)絡(luò)。本章首先描述了基于深度學(xué)習(xí)的干擾識(shí)別架構(gòu),接著介紹了實(shí)數(shù)和復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Ne... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
縮略語(yǔ)表
第一章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 干擾識(shí)別算法
        1.2.2 干擾抑制算法
        1.2.3 研究現(xiàn)狀總結(jié)
    1.3 本文的研究?jī)?nèi)容和結(jié)構(gòu)安排
        1.3.1 研究?jī)?nèi)容
        1.3.2 結(jié)構(gòu)安排
第二章 智能抗干擾通信系統(tǒng)及典型干擾信號(hào)數(shù)學(xué)模型
    2.1 智能抗干擾通信系統(tǒng)架構(gòu)
    2.2 干擾信號(hào)模型
        2.2.1 單音干擾
        2.2.2 多音干擾
        2.2.3 部分頻帶噪聲干擾
        2.2.4 噪聲調(diào)頻干擾
        2.2.5 線性掃頻干擾
        2.2.6 時(shí)域高斯脈沖干擾
    2.3 本章小結(jié)
第三章 基于深度學(xué)習(xí)的干擾信號(hào)識(shí)別
    3.1 基于深度學(xué)習(xí)的干擾識(shí)別架構(gòu)
    3.2 卷積神經(jīng)網(wǎng)絡(luò)原理
        3.2.1 實(shí)數(shù)卷積神經(jīng)網(wǎng)絡(luò)
        3.2.2 復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)
        3.2.3 實(shí)數(shù)和復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)參數(shù)量對(duì)比
        3.2.4 殘差網(wǎng)絡(luò)
    3.3 基于深度學(xué)習(xí)的干擾識(shí)別網(wǎng)絡(luò)
        3.3.1 預(yù)處理
        3.3.2 網(wǎng)絡(luò)輸入與標(biāo)簽
        3.3.3 干擾信號(hào)識(shí)別的CNN
        3.3.4 干擾信號(hào)識(shí)別的ResNet
    3.4 仿真結(jié)果與性能分析
        3.4.1 不同輸入的仿真結(jié)果
        3.4.2 不同干擾識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比
        3.4.3 不同干擾識(shí)別網(wǎng)絡(luò)的遷移性能
    3.5 本章小結(jié)
第四章 基于深度學(xué)習(xí)的干擾信號(hào)抑制
    4.1 基于深度學(xué)習(xí)的干擾抑制算法
        4.1.1 干擾抑制算法處理流程
        4.1.2 基于復(fù)數(shù)U-Net的干擾抑制網(wǎng)絡(luò)
    4.2 仿真結(jié)果與性能分析
        4.2.1 時(shí)域干擾抑制性能
        4.2.2 頻域干擾抑制性能
    4.3 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：2906386