隨著通信信號(hào)調(diào)制方式的日益多樣化,通信信號(hào)調(diào)制方式識(shí)別在信號(hào)分析領(lǐng)域中發(fā)揮著重要作用。由于受信道環(huán)境和調(diào)制進(jìn)制數(shù)的影響,傳統(tǒng)基于似然比檢測(cè)和特征提取的調(diào)制識(shí)別方法識(shí)別率較差。而神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別和圖像識(shí)別方面已取得了優(yōu)異性能,且具有較強(qiáng)的泛化能力和魯棒性,因此將神經(jīng)網(wǎng)絡(luò)應(yīng)用于調(diào)制識(shí)別是可行的。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)識(shí)別方法通常將信號(hào)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(wú)法擴(kuò)展到其他調(diào)制信號(hào)。近來(lái)有部分研究人員利用深度神經(jīng)網(wǎng)絡(luò)直接識(shí)別調(diào)制信號(hào),并取得了較好的識(shí)別效果。因此本文深入研究基于神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制方式識(shí)別方法,主要工作完成總結(jié)如下。本文提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)(One-Dimentinal Convolutional Neural Network,1-D CNN)的數(shù)字調(diào)制識(shí)別方法。該方法針對(duì)中頻調(diào)制信號(hào)的一維采樣序列,設(shè)計(jì)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(duì)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的訓(xùn)練,然后使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)調(diào)制信號(hào)進(jìn)行識(shí)別。為了獲得最佳的識(shí)別性能,本文設(shè)計(jì)了對(duì)照實(shí)驗(yàn)以確定網(wǎng)絡(luò)的最佳參數(shù),包括樣本長(zhǎng)度、訓(xùn)練集等因素。實(shí)驗(yàn)結(jié)果表明,提出的1-D CNN...

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)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(cè)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(luò)的方法
    1.3 主要研究?jī)?nèi)容及章節(jié)安排
第二章 相關(guān)理論基礎(chǔ)
    2.1 數(shù)字調(diào)制信號(hào)
        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(luò)
        2.3.1 神經(jīng)網(wǎng)絡(luò)的構(gòu)成
        2.3.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
    2.4 課程學(xué)習(xí)
    2.5 本章小結(jié)
第三章 基于一維卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別方法
    3.1 卷積神經(jīng)網(wǎng)絡(luò)原理
    3.2 卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)
        3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 網(wǎng)絡(luò)參數(shù)
    3.3 性能測(cè)試與分析
        3.3.1 參數(shù)對(duì)網(wǎng)絡(luò)性能的影響
        3.3.2 識(shí)別率測(cè)試
    3.4 本章小結(jié)
第四章 基于深度殘差網(wǎng)絡(luò)與課程學(xué)習(xí)的調(diào)制識(shí)別方法
    4.1 數(shù)字調(diào)制識(shí)別模型
    4.2 信號(hào)預(yù)處理
        4.2.1 歸一化
        4.2.2 可視化
    4.3 導(dǎo)師網(wǎng)絡(luò)
        4.3.1 基于樣本的課程提取
        4.3.2 算法實(shí)現(xiàn)
        4.3.3 導(dǎo)師網(wǎng)絡(luò)的實(shí)現(xiàn)
    4.4 學(xué)生網(wǎng)絡(luò)
        4.4.1 學(xué)生網(wǎng)絡(luò)的結(jié)構(gòu)
        4.4.2 網(wǎng)絡(luò)參數(shù)設(shè)置
        4.4.3 學(xué)生網(wǎng)絡(luò)的實(shí)現(xiàn)
    4.5 性能測(cè)試與分析
        4.5.1 識(shí)別率測(cè)試
        4.5.2 魯棒性測(cè)試及分析
        4.5.3 實(shí)際調(diào)制信號(hào)測(cè)試
    4.6 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 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3773036