论文部分内容阅读
随着通信技术的飞速发展,通信需求也日益增多,依赖于专家知识库与人工判决规则的技术方案逐渐暴露出可扩展性较低的弊端,将智能化方法引入通信系统已成为趋势。在无线通信领域中,电磁环境复杂多变,信号多样且变化迅速,需要使用智能化方法对复杂的通信环境进行综合识别。近年来,以深度神经网络(Deep Neural Networks,DNN)为代表的深度学习(Deep Learning,DL)技术在图像识别和语音信号识别等领域中成绩斐然。本文将深度学习应用到无线通信场景识别问题中,实现通信系统对不同通信环境智能感知,进而能为后续通信方案自适应优化提供重要参考依据。论文首先提出了基于卷积神经网络(Convolutional Neural Network,CNN)的复合干扰场景识别模型。该部分的研究工作包括:在混合干扰信号为非平稳信号的前提下,对信号进行时频变换,然后使用图像处理技术对时频图像进行预处理,利用深度学习中的卷积神经网络对时频灰度图进行训练建立干扰场景识别模型,从而将干扰场景识别问题转换成图像识别问题。仿真结果表明本文建立的干扰场景识别模型能达到较高的识别准确率。论文其次提出了基于深度信念网络(Deep Belief Network,DBN)的信道场景识别模型。无线通信系统的整体性能很大程度受到无线信道的影响,因此识别不同信道场景能对通信系统的设计起到重要作用。本部分完成的主要工作为:测量三类不同场景下的多组信道数据,利用深度学习相关算法对其进行降维分析;利用多径信道估计算法求解信道冲激响应(Channel Impulse Response,CIR),基于CIR和接收信号提取信道传播环境的时域、频域及图像域特征,最后引入深度信念网络建立信道场景识别模型。交叉验证结果表明,模型实现了对待预测的信道场景的正确识别。综上所述,本文将深度学习中的卷积神经网络和深度信念网络分别应用到混合干扰场景识别与信道场景识别两个问题,建立的对应模型均具有较高的识别准确率。本文的研究内容对未来网络的场景智能感知和识别具有指导性意义。