论文部分内容阅读
在数字化接收机中信号调制识别是介于信号检测与解调之间的中间环节,已广泛应用于通信对抗、频谱检测与管理、信息安全等军事和民用领域。近年来,无线通信技术迅猛发展,通信环境日益复杂化的同时,通信信号的调制样式日渐多样化,这无疑增加了调制识别的难度。因此,研究新的调制识别方法成为相关学者关注的热点问题。机器学习技术,尤其是近几年快速发展起来的深度学习技术已在图像识别、文本分类等诸多领取取得了突破性进展。本文基于机器学习技术,引入常用的深度学习框架并融合其他信号处理技术,对第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)R15协议中建议的5种常用5G调制信号的自动调制识别问题进行了研究。主要工作如下:(1)针对非协作条件下信号调制识别对信号的先验信息要求较高,且人工选取特征复杂等问题,研究了一种改进的基于Alex Net卷积神经网络的信号调制方式识别算法。针对π/2-BPSK、QPSK、16QAM、64QAM及256QAM等5种5G常用调制信号,选择其星座图作为Alex Net网络的输入特征,设计识别分类算法。仿真结果表明:相较于已有基于信号散布图特征的Alex Net调制识别算法,该算法对高阶QAM信号具有更高的识别正确率。(2)提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)与VGGNet神经网络的调制识别算法。首先对调制信号进行特定层数下的VMD分解,对信号作去噪预处理,对经预处理后的信号提取星座图特征,再利用VGGNet神经网络构建识别分类器,完成对信号的调制识别。实验结果表明:在相同条件下,增加了VMD去噪环节后,算法的识别性能优于直接使用VGGNet神经网络。(3)提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)及混合神经网络的调制识别算法。首先对调制信号进行EMD分解并作去噪处理,进而定义EMD首层分解能量特征以对MPSK及MQAM两类信号进行类间区分,而后提取高阶累积量特征及星座图特征,并利用反向传播(Back Propagation,BP)神经网络及Res Net神经网络构建混合神经网络,实现信号的自动调制识别。实验结果表明:在相同信噪比条件下,该算法的调制识别性能优于本文提出的另外两种算法。