通信信號調(diào)制識別,是在接收機接收到一段盲信號之后,對該信號的調(diào)制方式做出識別的一個過程。調(diào)制識別在現(xiàn)在無線電通信中具有十分廣泛的應用需求,例如在頻譜管理方面,調(diào)制識別的研究可以加強對頻段資源的管理和使用;在認知無線電方面,可以幫助高效地利用頻譜資源;在軍事通信領域方面,對通信偵查和電子對抗等等軍事戰(zhàn)場上的應用都有重要的意義;所以調(diào)制識別無論是對于民用領域還是軍事領域都是一個很有熱度的研究方向。調(diào)制識別通常有人工分類和基于特征提取的自動識別兩種模式。而自動識別的方式也就是我們常提到的機器學習方法。深度學習也是屬于機器學習方法的一個分支。深度學習作為機器學習的一個強有力的分支,是目前最接近人類大腦的分層智能學習方法,它通過建立類似于人腦的分層模型結構,突破淺層學習的限制,能夠表征復雜函數(shù)關系,對輸入數(shù)據(jù)逐層提取從底層到高層的特征,最終完成對復雜應用場景的建模。本文將深度學習算法應用于調(diào)制識別領域,是對新技術和傳統(tǒng)研究方向的一種融合,具有重要的意義。本文利用卷積神經(jīng)網(wǎng)絡結構作為調(diào)制識別器模型,修正線性單元作為激活函數(shù),交叉熵作為損失函數(shù),Adam作為優(yōu)化方法實現(xiàn)了基于深度學習的調(diào)制識別算法。首先對于本文使用的卷積神經(jīng)網(wǎng)絡結構針對性的制作調(diào)制信號樣本。樣本的制作使用的是MATLAB科學計算軟件,將所有的調(diào)制信號頻率搬移至中頻,起到頻率歸一化的作用;用零均值歸一化算法將信號幅值歸一化;在不同信噪比下生成足夠的數(shù)據(jù)作為樣本。網(wǎng)絡模型的搭建和訓練在基于Tensorflow為計算后端的Keras深度學習框架中進行,在對比不同卷積層,不同輸入長度的網(wǎng)絡的性能之后得到最優(yōu)模型參數(shù)。本文的最后根據(jù)實驗經(jīng)驗得到最優(yōu)模型參數(shù)并分別對衛(wèi)星調(diào)制類別和超短波調(diào)制類別進行不同載噪比下的性能測試。實驗表明基于卷積神經(jīng)網(wǎng)絡的調(diào)制識別器對各類調(diào)制信號都有著良好的識別性能,與傳統(tǒng)調(diào)制識別方法相比具有自動提取特征,識別性能好,識別種類多等優(yōu)越性,對調(diào)制識別領域的方法創(chuàng)新具有重要的價值。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TN911.3;TP18
【部分圖文】：

圖 2-4 全連接層示意圖特性模型中非常重要的一個環(huán)節(jié)，通常添加神經(jīng)網(wǎng)絡不使用激活函數(shù)，只將每層神對于輸入來講也僅僅是一個線性映射。性很有限，并且從數(shù)據(jù)中學習復雜函數(shù)活函數(shù)，那么這個網(wǎng)絡只能是一個線性的線性函數(shù)可以解決的，所以在神經(jīng)網(wǎng)網(wǎng)絡模型可以擬合任意復雜的函數(shù)，就是為此而生。從直觀上來講，激活函數(shù)，通過激活函數(shù)起到閾值判定的作用從的激活函數(shù)有很多，例如 sigmoid，ReLU

第二章 深度學習理論基礎2.3.1 Sigmoid 激活函數(shù)在機器學習或早起的神經(jīng)網(wǎng)絡中常常用到 sigmoid 激活函數(shù)，其函數(shù)表達式可以表示為： x 1exp1Sigmoid x（2-1）有公式可以計算出，當神經(jīng)元的輸入信息經(jīng)過 sigmoid 激活函數(shù)的作用之后，輸出信息的值將會被壓縮在[0,1]之間，接近 0 代表著神經(jīng)元處于抑制狀態(tài)，接近 1代表著神經(jīng)元處于激活狀態(tài)，sigmoid 函數(shù)的圖像如圖 2-5（a）所示。而 sigmoid的導函數(shù)可以由計算得到，在 x 值為 0 時，取得最大值 0.25，其圖像如圖 2-5（b）所示。

雜性：sigmoid 函數(shù)包含指數(shù)運算，在反向傳播求導的時間。激活函數(shù)多用于二分類網(wǎng)絡，并且由于其具有很好的門傳播，所以在循環(huán)神經(jīng)網(wǎng)絡中也有廣泛的應用。活函數(shù)曲函數(shù)中的一個，是雙曲正切。在數(shù)學中，雙曲正切正弦和雙曲余弦推導而來。tanh 的函數(shù)表達式如下所tanh x 2 2 1 sigmoidxeeeexxxx函數(shù)表達式可以計算出，tanh 將實數(shù)映射到[-1,1]的區(qū)活函數(shù)輸出的均值不是零中心的問題。tanh 激活函數(shù)

【參考文獻】

相關期刊論文 前7條

1 陳澤藝;;基于循環(huán)譜和高階累積量的聯(lián)合模式識別方法[J];電訊技術;2015年03期

2 趙春暉;楊偉超;馬爽;;基于廣義二階循環(huán)統(tǒng)計量的通信信號調(diào)制識別研究[J];通信學報;2011年01期

3 陳筱倩;王宏遠;柯志武;;利用循環(huán)相關特征的自適應模糊調(diào)制分類[J];應用科學學報;2009年03期

4 張鳴;韋惠民;閆紅梅;張軍;;基于決策理論的數(shù)字調(diào)制信號識別[J];西安科技大學學報;2005年04期

5 孫建成,張?zhí)?劉楓;基于支持向量機的多類數(shù)字調(diào)制方式自動識別算法[J];西安交通大學學報;2004年06期

6 陳衛(wèi)東,楊紹全,董春曦,徐松濤;多徑信道中MPSK信號的調(diào)制識別算法[J];通信學報;2002年06期

7 呂鐵軍,郭雙冰,肖先賜;基于模糊積分的通信信號調(diào)制識別方法研究[J];電子學報;2001年06期

相關博士學位論文 前1條

1 張國柱;雷達輻射源識別技術研究[D];國防科學技術大學;2005年

相關碩士學位論文 前3條

1 周江;基于神經(jīng)網(wǎng)絡的通信信號調(diào)制識別研究及實現(xiàn)[D];電子科技大學;2018年

2 梁念春;通信信號檢測與調(diào)制識別[D];華南理工大學;2015年

3 周暉;低信噪比下數(shù)字調(diào)制信號盲識別研究[D];電子科技大學;2010年

本文編號：2830496