论文部分内容阅读
调制识别技术是无线通信领域中一项基础技术,也是其非常关键的技术,在军用领域和民用领域都有非常广泛的应用和十分重要的意义。随着无线通信技术的飞速发展和广泛应用,无线通信的信道环境变得越来越复杂,通信信号的调制方式也变得越来越复杂化和多样化,这为调制识别技术也带来了新的问题和挑战。目前调制识别技术主要采用了模式识别方法,该方法的识别效果过于依赖人工对于信号特征的提取,并且在信噪比较低的情况下识别效果比较差。本文通过对现有调制识别方法的调研,研究了基于深度学习的调制识别方法。在本文提出的方法中,首先对调制信号进行预处理,将一维信号投影到二维空间中,然后把二维空间中的样本作为神经网络输入,设计神经网络作为分类器完成信号调制方式的识别,该方法减弱了识别算法对于特征提取的依赖,避免了复杂的特征工程。本文设计了两种类型的神经网络:多层前馈神经网络和卷积神经网络,提出了三种识别方法实现了对2ASK,4ASK,2FSK,4FSK,BPSK,QPSK,16QAM,64QAM八种典型的无线通信信号的调制类型识别。(1)对调制信号进行希尔伯特变换获得其复解析表达式,从而获得调制信号的多种统计量,设计多层前馈神经网络来完成调制识别;该方法最简单高效,容易实现。(2)通过短时傅里叶变换获得调制信号的时频图,然后设计卷积神经网络对调制信号的时频图进行识别从而达到对调制信号进行识别的效果;该方法需要较为复杂的时频分析,但是识别正确率非常高。(3)采用异步延时采样的结构对调制信号进行采样并获得二维直方图,设计卷积神经网络完成调制识别。该方法信号预处理简单,识别率较高。综上所述,仿真实验结果表明:基于深度学习的调制识别方法减弱了识别效果对于特征提取的依赖,并且比传统方法有更高的识别正确率,在信噪比非常低的情况下也有很好的识别效果。