【摘 要】
：
随着社会的快速发展,人们对信息传输速率要求越来越高,这使得有限的频谱资源变得更加紧张,多进制正交幅度调制(MQAM)具有较高的频谱资源利用率,广泛应用于自适应调制编码技术等领域,可以大大缓解频谱资源紧张的问题。在自适应调制编码技术的应用中,为了减小信令开销以提高传输效率,往往会在接收端进行自动调制方式识别(AMC),所以MQAM调制信号识别具有重要研究意义。近年来,卷积神经网络(CNN)等深度学习
论文部分内容阅读
随着社会的快速发展，人们对信息传输速率要求越来越高，这使得有限的频谱资源变得更加紧张，多进制正交幅度调制(MQAM)具有较高的频谱资源利用率，广泛应用于自适应调制编码技术等领域，可以大大缓解频谱资源紧张的问题。在自适应调制编码技术的应用中，为了减小信令开销以提高传输效率，往往会在接收端进行自动调制方式识别(AMC)，所以MQAM调制信号识别具有重要研究意义。近年来，卷积神经网络(CNN)等深度学习工具因其优异的深层挖掘能力被广泛应用于各个领域，也有许多研究者将其应用于调制信号识别，得到了较好的识别结果。因此，本文将深入研究基于CNN的MQAM调制信号识别，主要研究内容如下:
针对传统星座图无法反映重叠星座点密集度信息以及图形星座投影(GCP)算法无法完整的反映星座点位置信息的缺点，本文提出了一种基于星座密集度的梯度颜色星座图(GCC)算法，在不破坏星座点位置信息的情况下将密度信息转换为颜色信息，实现可视化。并利用CNN的深度学习能力对七种常见的MQAM信号进行识别，七种MQAM信号包括4QAM、8QAM、16QAM、32QAM、64QAM、128QAM和256QAM。实验结果表明:在低信噪比下，本文算法的识别率相比于GCP算法提高了3％-4％。
此外，针对深层CNN出现的网络退化问题以及softmaxloss损失函数不能刻画样本数据更具有判别性的深层特征等缺点，本文提出了一种将残差网络和angularsoftmaxloss边界最大化损失函数结合起来对七种MQAM信号进行分类的方法，使用更深层的残差网络作为主体架构，并将angularsoftmaxloss边界最大化损失函数作为网络架构的输出部分和监督部分以增加类间特征的距离，刻画出更具有判别性的特征。最后做了一系列的对比实验，结果证明了本文算法的有效性和优越性。
其他文献
肺癌的病死率一直高居我国各种癌症的榜首,随着人们生活环境改变,肺癌的发病率也在逐步上升,对于肺癌来说最重要的就是“早期发现,早期诊断,早期治疗”可以提升有效患者的生存率。CT图像是对肺部病变检查最好的手段之一,肺癌的早期诊断是通过对结节的判断来进行诊断的,将医学图像处理应用到计算机辅助诊断系统,精准的肺实质分割和肺结节分类算法不仅能提高医生的工作效率,帮助医生减少工作压力和误诊率的发生,更能提高诊
图像匹配主要原理是对两幅图片的特征描述子进行匹配计算,如果距离小于预定值,则判定为同一场景。本文对所用到的图像进行了预处理,基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法着重研究了特征点的聚类、检索、匹配,并将其应用在视觉定位中。本文提出基于SIFT的改进图像匹配算法。主要针对SIFT算法对图像进行特征点提取时由于数据库图像较多,每幅图片的
数字化图像是我国网络通讯的重要载体,它在多媒体、电子和网络通讯中扮演了广泛的角色,并且在通讯、医疗等各个方面起到了很大的作用。因此,对于图像加密技术的探索和研究,已经成为安全领域的重要课题。由于图像中的相邻像素之间冗余程度高、数据容量大,当利用传统的图像加密方法进行加密时,其加密效率较低,所以此类方法不适合应用于数字图像的加密。混沌系统以及DNA计算具有的特性,使其恰好适合于图像加密。本文基于目前
无线通信行业的飞速发展,人们更加看重获取信息的质量,对通信速率和质量也提出了更快捷、更准确的要求。在第五代无线通信系统中,如何改善通信的性能提高频谱效率一直是众多研究学者们探讨的焦点问题。索引调制(Index Modulation,IM)是一种可以很好提升系统效率和性能的多维度技术,现已成为一个热门的话题。近些年,针对正交频分复用(Orthogonal Frequency Division Mul
随着人们对信息传输安全性及有效性要求的不断提高,迫切需要在现有硬件条件的基础上提高信息传输量和信息传输效率,并最大限度增强加密算法的安全性。图像作为一种常用的信息载体,具有较强的相关性以及较高的冗余度。然而,常见的加密方法无法满足图像加密的需求,所以需要寻求新的加密算法,并使其兼具安全性和计算速度的要求。压缩感知(Compressed Sensing)作为一种能够以远低于Nyquist定理的速率进
遥感图像包含了大量的地物信息,在军事目标打击、土地监测、植被覆盖检测、森林火灾监控等军用、民用领域有着重要应用价值。但是由于遥感成像过程比较复杂,获得高分辨率的遥感图像并不容易。遥感图像超分辨重建技术就是一种在现有遥感成像技术条件下,利用软件处理的方法,突破成像系统的限制,由低分辨率图像生成高分辨率图像的技术。本文对当今较先进的卷积神经网络超分辨进行研究和改进,具体研究内容及创新点如下:1、提出改
人工智能已经成为当今社会的热点话题之一,这主要归功于深度学习的迅速发展,而卷积神经网络(Convolutional Neural Networks,CNN)是深度学习的重要模型。CNN主要被应用于计算机视觉领域,并在该领域取得了许多优异的成果。大多数CNN都是基于实数表示的,而很少是基于复数表示的。最近研究表明,基于复数表示的网络比基于实数表示的网络具有更好的表达能力,但现有的复数CNN模型存在一
近年来,深度学习凭借其优异的性能在各个领域深受欢迎,以卷积神经网络(Convolutional Neural Network,CNN)、残差神经网络(Residual Networks,ResNet)和密集连接网络(Densely Connected Convolutional Networks,Dense Net)为代表的深度学习网络模型在图像识别领域取得了良好的识别效果。在传统的深度学习中,深
遥感图像成像时,会受到天气、相机运动和大气扰动等因素影响,导致所获得的遥感图像退化,存在一定程度的模糊和噪声。图像复原是对存在模糊和噪声的退化图像复原,从而得到接近原始理想图像的一种方法。遥感图像的降质过程复杂,建立精准的遥感图像退化模型很困难,因此研究遥感图像盲复原算法非常重要。针对遥感图像盲复原时模糊核估计不准确,且复原图像存在振铃效应的问题,本文在图像先验约束的基础上,利用图像盲复原理论研究
最近,高光谱成像技术获得了极大关注,尤其是高光谱图像的分类作为高光谱处理的重要内容更是研究的热点。高光谱图像含有丰富的信息,这一特性使高光谱图像广泛应用于地物分类,而高光谱图像的分类往往仅使用光谱信息,这就很容易造成“同物异谱”或“异物同谱”现象,导致分类不准确;高光谱图像含有丰富的空间上下文信息,所以将光谱信息和空间信息结合成为新的研究热点。为了获得更精确的高光谱图像分类结果,完善现有的分类方法