论文部分内容阅读
随着通信信号调制方式的日益多样化,通信信号调制方式识别在信号分析领域中发挥着重要作用。由于受信道环境和调制进制数的影响,传统基于似然比检测和特征提取的调制识别方法识别率较差。而神经网络在语音识别和图像识别方面已取得了优异性能,且具有较强的泛化能力和鲁棒性,因此将神经网络应用于调制识别是可行的。传统的神经网络识别方法通常将信号特征作为输入,这种方法受输入特征质量的影响较大,且无法扩展到其他调制信号。近来有部分研究人员利用深度神经网络直接识别调制信号,并取得了较好的识别效果。因此本文深入研究基于神经网络的数字调制方式识别方法,主要工作完成总结如下。本文提出了一种基于一维卷积神经网络(One-Dimentinal Convolutional Neural Network,1-D CNN)的数字调制识别方法。该方法针对中频调制信号的一维采样序列,设计了1-D CNN分类模型,并使用已知调制采样序列和调制方式对网络进行有监督的训练,然后使用训练好的网络对调制信号进行识别。为了获得最佳的识别性能,本文设计了对照实验以确定网络的最佳参数,包括样本长度、训练集等因素。实验结果表明,提出的1-D CNN调制识别方法对2ASK、2FSK、4FSK、8FSK、2PSK、4PSK和8PSK信号取得了很好的识别效果,在信噪比大于5dB时,该方法的识别率超过99%。并且在信噪比范围为-20dB至0dB时该方法的平均识别率超过58%。另一方面,针对1-D CNN对部分ASK信号和QAM信号识别率较低的问题,本文提出了一种基于深度残差网络(Deep Residual Network,DRN)和课程学习(Curriculum Learning,CL)的数字调制识别方法。该方法使用更深的深度残差网络可以获得更优异的网识别性能,并且结合课程学习降低信号噪声对网络识别性能的影响。与1-D CNN相似的是,该方法同样不需要传统的预处理步骤直接识别识别中频调制信号,不一样的是,该方法通过简单的数据转换将一维采样序列转换为灰度图作为分类网络的输入。在训练阶段,本文使用一个名为导师网络的神经网络提供课程监督DRN的训练,以帮助DRN学习到更健壮的网络模型,在测试阶段,DRN独立工作,对输入调制信号进行自动识别。本文在包含加性高斯白噪声、多径衰落、载波频率偏移或相位偏移的环境下,验证了该识别方法的性能。实验结果表明,提出的方法在信噪比较高时对常用11种调制类型的分类器总体精度可达99.3%,类间精度可达100%,大大高于其他识别方法。此外,在存在干扰的情况下,该识别方法在10dB信噪比下的总体精度仍能达到90%,具有良好的鲁棒性,适用于军事电子战等应用。