论文部分内容阅读
复杂电磁环境下的调制识别是优化频谱利用效率、识别和最小化干扰的重要方法,在军用和民用领域都具有重要意义。将深度学习应用到调制识别中,可以提升传统调制识别算法的性能上限,增强人们对无线信号的认知能力,降低无线设备的建设与运维成本,并促进深度学习在通信领域的发展。本文基于深度学习的观点,对调制识别算法、特征融合框架、影响模型性能的因素进行了研究,主要贡献如下:(1)提出了一种调制识别网络框架及相应的训练算法。通过监督方法和无监督方法都可以获取调制信号具有类可分性的特征,本文通过融合卷积自编码器与卷积神经网络,构建以重构损失和交叉熵损失为基础的整体损失,提出了CAE-CNN算法框架和相应训练算法。仿真结果显示,本文所提出的算法在高信噪比条件下具有较高的识别准确率(95%以上),并且鲁棒性较强;在低信噪比条件下具备比传统方法更高的识别率,在SNR为-4dB时准确率仍在85%左右。(2)提出了一种传统特征与深度特征融合的框架。将传统的调制识别所用的特征与CNN获取的深度特征进行算法适应性的批归一化,然后分别利用Softmax、随机森林、深度神经网络等算法构建特征融合模型。仿真结果显示,基于随机森林和基于Softmax的融合算法性能优于基准的卷积神经网络,其中基于随机森林的融合算法具有相对最优的分类准确率,且鲁棒性较强。受融合算法本身特性等影响,不同融合框架下的误分信号各不相同。(3)从网络底层研究了卷积层数目、卷积核数目以及卷积核宽度和高度对调制识别性能的影响,并从欠拟合与过拟合以及偏差与方差的角度解释了仿真结果。仿真结果显示,CNN的调制识别性能几乎不受网络深度的限制,在卷积层数目为3时即可达到性能的最优值,此时再增大卷积层的深度,系统性能甚至会降低;使用两个卷积层的CNN网络,当第一层卷积核数目较小时,网络的性能几乎随着第二层卷积核数目的增大而减小,而随着第一层卷积核增大,改变第二层卷积核数目,系统分类性能较为稳定;整体而言,卷积核宽度较大的网络性能较优,但是当卷积的宽度增大到7后分类性能较为稳定,波动较小。