论文部分内容阅读
本文研究用神经网络解决数字通信信号的自动调制识别(AMR)问题。数字信号自动调制识别主要有基于决策论和统计模式两种方法,决策论方法一般是基于噪声干扰下信号的统计特性分析,由于它考虑了噪声的影响,所以在低信噪比下有较好的性能,但该类方法通常是针对某类具体调制信号的统计特性进行分析而得到的某种判决准则,因此识别范围窄。统计模式识别方法通常是基于无噪声干扰下的特征抽取,所以,在低信噪比条件下,识别效果差,在高信噪比条件下,识别效果好。
神经网络与传统相关技术相比具有快速解决复杂分类问题的能力,强大的容错和自学习能力,通过训练和自学的自适应对噪声和不完整数据的不敏感性等优点,因此本文选择神经网络来解决数字信号自动调制识别问题。
本文提出了一种将决策论和统计模式相结合的基于神经网络的自动调制识别系统,利用提取决策论特征参数集和统计特征参数集相结合的方法,使用自适应学习率的动量BP神经网络对MASK、bFSK、MPSK、MQAM等四类信号进行识别。为验证系统的性能,本文从神经网络结构参数和信号处理方式两方面进行了大量的仿真实验;在神经网络目标矩阵方面,我们对不同调制信号采用不同的目标矩阵,仿真实验中,当信噪比在0—10dB,在估计载频与实际载频相差0-100Hz的情况下正确识别率高达97%以上,实验证明这种分类识别方法的鲁棒性和实用性。