论文部分内容阅读
自动调制识别是无线通信中参数估计、信号解调、频谱管理的基础,广泛应用于通信对抗、频谱检测、信息安全等军事和民用领域,在非协作通信中占据了重要的地位。尤其是近年来无线通信技术迅猛发展,在通信环境变得复杂化的同时,通信调制样式也变得多样化,这无疑是增加了调制识别的难度,因此,研究高效的识别方法已迫在眉睫。作为新型的AI技术,深度学习已在图像识别、文本分类等诸多领取取得了突破性进展。因此,利用深度神经网络强大的模式识别和自学习能力,提高多类型、低信噪比下的识别率问题,是研究自动调制识别的必然趋势。因此,本文基于深度学习的方法,深入研究了数字信号的自动调制识别。具体内容可概括为:(1)针对MPSK和MQAM等6种常用类型识别率低下的问题,本文提出了一种基于改进的Fisherface的数字信号自动调制识别方法。通过对MPSK和MQAM等信号的循环谱特性进行分析,利用改进的Fisherface算法对信号循环频率轴上的轮廓值进行降维处理,得到最终的特征向量,然后将其送入深度CNN网络实现调制信号的分类识别。实验结果表明:对于MPSK信号,当SNR为-4dB时,其平均识别率可达95%以上;对于MQAM信号,当SNR为0dB时,其平均识别率达到97%以上;即使是MPSK和MQAM的混合调制类型,在SNR为0dB时,平均识别率也高达95%以上。此外,与传统的SVM方法和现有深度学习方法进行了对比分析,本方法仍表现出良好的识别效果,尤其在低信噪比下该算法的优势更加明显。(2)为了实现真正意义上的自动调制识别,本文提出了一种基于信号数据的深度学习调制识别方法。首先,提出了一种改进的CNN模型,对8种常见数字调制类型进行了分类识别,仿真结果表明,改进的CNN网络识别效果有了很大的提升;此外,为了进一步验证该模型的性能,还将该方法与4种传统的机器学习算法以及4类神经网络模型进行了对比仿真分析,改进的CNN模型仍表现较好的分类效果。为了进一步拓展识别信号的种类,本文还提出了一种改进的GoogLeNet结构,对MPSK、MQAM、GMSK、OQPSK、4ASK、OOK等14种调制类型进行分类识别。实验结果表明:当SNR为-2dB时,6种PSK调制的类内识别率可达94.76%以上;当SNR为-4dB时,5种QAM调制的类内识别率可达90.65%。即使是14种混合调制类型,当SNR大于2dB时,其平均分类识别率仍可达93.17%以上。由此可见,改进的GoogLeNet网络具有非常好的分类识别效果。(3)目前大部分神经网络的结构设计和优化尚存缺陷,尤其是网络初始超参数的设定和优化算法的选取。针对这些问题,本文从深度网络结构设计的角度出发,以数字信号的调制识别为例,首先研究了学习率、Batch大小、层神经元数、卷积核大小等网络超参数的设置,然后对深层网络训练过程中的过拟合问题进行了分析,并总结了有效缓解过拟合的方法和常见的优化算法,从而为最佳网络结构模型的设计提供了一定的思路和参考。