【摘 要】
：
随着现代无线电通信技术的发展与应用、无线电信号特征与电磁环境变得更加复杂,这给调制识别技术带来了许多新的技术难题。深度学习在语音、图像等领域展现了优异的特征提取能力,并且有很强的泛化能力和鲁棒性。将深度学习强大的特征提取能力应用到通信信号的调制识别中,无疑能更好地应对日益复杂的电磁环境带来的问题和挑战。近年来,深度学习已经在调制识别领域取得了较好的识别效果,本文将继续研究深度学习在信号调制类型识别
论文部分内容阅读
随着现代无线电通信技术的发展与应用、无线电信号特征与电磁环境变得更加复杂,这给调制识别技术带来了许多新的技术难题。深度学习在语音、图像等领域展现了优异的特征提取能力,并且有很强的泛化能力和鲁棒性。将深度学习强大的特征提取能力应用到通信信号的调制识别中,无疑能更好地应对日益复杂的电磁环境带来的问题和挑战。近年来,深度学习已经在调制识别领域取得了较好的识别效果,本文将继续研究深度学习在信号调制类型识别上的应用,并且研究非理想情况下的调制类型识别,主要工作内容如下:（1）首先制作了高斯白噪声环境下的信号数据集和含有相位偏移、频率偏移的信号数据集。然后介绍五种的卷积神经网络和循环神经网络模型,分别为Le Net、VGGNet、Res Net、LSTM和CLDNN。并将其构建为适用于本文数据集,为后文的仿真实验提供对比模型。（2）设计了一种双通道的CG-Res神经网络,并且研究了网络超参数对算法性能的影响,得出了在实验范围内识别准确率较高的一种结构,该结构在-10d B到20d B信噪比的高斯白噪声环境下,平均识别准确率达到88.9%,在信噪比高于10d B时,识别准确率达到100%,相较于其他深度学习算法,CG-Res网络的识别准确率更高。对比CG-Res网络对不同长度信号的识别准确率,实验表明信号长度为512时识别准确率最高。（3）首先研究算法在存在相位偏移和频率偏移的非理想情况下的调制信号识别鲁棒性,实验表明模型对有相位偏移和频率偏移的信号进行识别时,准确率下降严重。然后增加训练集中的相位偏移和频率偏移,以这种训练方式训练的模型对有偏移信号的识别准确率更高。最后,针对有偏移信号识别准确率低于高斯白噪声信号的问题,采用了一种偏移校正模块,叠加校正模块的CG-Res网络对含相位偏移和频率偏移调制信号有更高的识别准确率,平均识别准确率为84.5%,在信噪比低于10d B时,校正模块提升了5.7%的识别准确率。
其他文献
矢量光束是标量光束的拓展;涡旋光束则是一种具有螺旋相位结构且还携带轨道角动量的光束。矢量光束和涡旋光束是现代光学中十分重要的两类光束,被广泛研究并且广泛应用于光学操纵、光学显微、光学存储、量子信息处理等领域。近些年自由空间光通讯快速发展,而大气湍流的存在会带来光强闪烁、相位畸变等一系列的湍流效应,这将导致通信误码率增加,降低系统的信道容量,极大影响通讯效率。研究表明矢量光束和涡旋光束具有较强的抗湍
大规模多输入多输出（MIMO,Multiple Input Multiple Output）系统是第五代（5G,5th Generation）无线通信系统的关键技术之一。在大规模MIMO系统中,下行链路波束成形、用户选择和天线选择等都需要准确的信道状态信息（CSI,Channel State Information）。在时分双工（TDD,Time Division Duplex）模式下,下行链路C
随着深度学习方法在图像去运动模糊领域的不断发展,现有算法的主要思路是通过设计不同的网络模型或者加深网络来提高算法去运动模糊的效果,但是却忽略了图像的实际退化过程,在模型设计时没有考虑噪声的影响,且模型复杂,计算开销大,以致于去运动模糊效果在主客观评价指标上都有待提高。因此,实现更好的去运动模糊效果和简化网络模型是十分重要的。在此背景下,论文主要围绕运动模糊图像的去模糊问题展开研究,工作总结如下:（
心血管疾病和呼吸系统疾病的发病率呈上升趋势,危害着人民健康。心音信号与肺音信号中包含了大量的心血管系统和呼吸系统的病理信息,能有效辅助医护人员进行诊断。听诊是常见的获取心音信号和肺音信号的手段,但采集的往往是心音信号和肺音信号互相混叠和干扰的心肺音信号。针对这一问题,本文进行了以下研究:1)提出了用于实现单通道心肺音信号分离的一种多重约束的非负矩阵分解算法（MCNMF）。本文研究了非负矩阵分解（N
近年来随着社会发展以及人们对生活和艺术的追求,音乐创作的需求量大幅增加,其生产、传播和消费途径均发生了较大的变化,这给传统的音乐创作带来了挑战,如何快速创作出一首满足特定需求的音乐,成为了近年来自动音乐生成的研究重点之一。本文以MIDI音乐为基础,设计了一种音乐数据的文本化表示方法,并将大型自然语言生成模型迁移到音乐生成中来,实现音乐的快速生成,最后设计出了一种融合数理统计和乐理知识的音乐评价模型
随着无人驾驶技术飞速发展,无人驾驶汽车需要感知行驶环境完成自主驾驶,实现全面数字化。对此,本文提出基于交警姿态估计下的8个交通信号手势的识别。目的是发生道路堵塞、信号灯损坏时,无人驾驶汽车可识别交警信号手势做出相应措施。文中先对斑马线进行语义分割、二值化处理,通过统计连通区域个数（设定区域数大于1为交叉路口）判断当前路口是否为交叉路口。接着对交警站立朝向识别:其先利用Faster R-CNN识别交
机器人应用在人们生产生活的各个领域,代替人进行一些复杂和危险的任务。因此,机器人的位置跟踪控制需要较高的精度。但是,由于机器人系统是一个非线性、强耦合的系统,受到各种不确定性的影响,如未建模动力学、测量噪声、负载变化、外部干扰、非线性摩擦、输入死区等。因此,需要一种结构简单同时又能确保跟踪性能良好的控制方法来控制机器人。时延控制以其结构简单、不依赖于系统模型的优点可以估计复杂未知动力学及难处理的非
叠加信道估计方法由于具有高的频谱效率,得到了世界范围内专家学者的广泛关注。然而,训练序列与数据序列的叠加不可避免地引起叠加干扰,大大降低信道估计与数据检测的准确性。为消除叠加干扰,数据依赖叠加训练（Data-Dependent Superimposed Training,DDST）和数据空叠加导引（Data-NullingSuperimposed Pilot,DNSP）方法相继被提出,这些叠加方法
自然图像的识别和处理在视觉语义分析领域有十分重要的意义,目标检测是自然图像识别和处理最关键的技术之一。现有自然图像目标检测方法主要建立在深度学习算法基础上,围绕更快、更新的深度模型训练展开研究。但是以效率网络为代表的现阶段深度学习检测模型在拓展模型深度和精度的同时,忽视了对模型结构和参数的优化,且未对不同检测对象的特点展开分析,存在检测不规则目标时精度低的问题。因此,有必要对现有效率网络检测自然图
氢气作为一种清洁、高效且储量丰富的新型能源,因其可以解决化石燃料储量告急、气候变化和环境污染等问题受到了人们的广泛研究。截止目前,氢能广泛地使用在航空航天、汽车交通、化工生产等领域。氢气具有低的密度（0.0899 kg/m~3）和沸点（20.4 K）,与空气混合时容易发生爆炸,其爆炸浓度范围为4～75 vt.%,并且扩散速率非常快。在开发使用氢气的过程中,必须对其浓度进行实时监测,以确保生产、储存