基于深度学习的调制样式识别算法研究

发布时间：2024-01-26 23:20

　　调制样式识别是信号检测和信号解调之间的重要环节,是软件无线电和非合作通信的关键技术之一,已有大量利用最大似然检验理论和模式识别理论的调制样式识别研究成果。近年来深度学习由于其优异的特征提取能力,被应用于各个领域。已有一些研究人员将深度学习方法应用于调制样式识别中,通常是利用特征参数作为输入,这些方法性能受特征参数影响大,扩展性差。最近国外研究者提出了直接利用信号数据和残差神经网络的调制样式识别方法,获得了较好的识别性能。因此本文深入研究基于深度学习的调制样式识别问题,主要工作完成总结如下。首先,研究提出了采用混合受限玻尔兹曼机的调制样式识别算法。针对常用的MPSK、MQAM和MAPSK等调制样式的识别,根据信号模型详细推导了MAPSK信号的高阶矩计算公式,计算得到16APSK、32APSK、MQAM以及MPSK等信号各阶累积量理论值。利用八阶、六阶、四阶和二阶累积量构造了用于BPSK、QPSK、8PSK、16QAM、32QAM、16APSK和32APSK识别的两种信号高阶累积量特征参数,采用混合受限玻尔兹曼机神经网络作为分类器进行识别(FHRBM算法)。仿真结果表明:FHRBM算法识别...

【文章页数】：87 页

【学位级别】：硕士

图3.1HRBM网络模型

图4.7基于卷积神经网络的调制样式识别模型示意图

本文编号：3885876