论文部分内容阅读
自动调制识别是无线通信中的关键技术,是参数估计、频谱监测、调制解调的基础,并广泛的应用于信息截获、干扰选择、类型识别、辐射源分类等诸多领域。然而,随着通信技术的发展,无线通信的环境愈加复杂,调制的种类也愈加多样,这些都给调制识别技术带来了巨大的挑战。因此,研究高效性、智能化的自动调制识别方法已经迫在眉睫。深度学习,作为人工智能领域的新技术,已经突破了很多的科学与技术瓶颈,并应用于图像识别、文本分类、语音识别等领域。因此,利用深度学习技术,研究通信信号的自动调制识别是未来的发展趋势。本文基于现有的深度学习技术,对信号的自动调制识别方法进行了深入的研究。具体内容如下:（1）基于基础的VGG（Visual Geometry Group）网络结构,研究了适合调制识别的改进VGG单元模型,并提出了一种VGG-LSTM组合网络结构,对PSK2、PSK4、CPM2、CPM4、FSK2、FSK4、QAM16七种数字调制信号进行了分类识别,并与Timothy J O’Shea等人提出的基于CNN网络的调制识别方法进行实验对比。仿真结果表明,与Timothy J O’Shea等人提出的基于CNN网络的调制识别方法相比,改进的VGG-LSTM（Long Short-Term Memory）网络性能更加优异;当实验环境完全相同,且信噪比为5dB时,VGG-LSTM网络的1F-score高达90%以上,其性能升了26.3%,尤其是在低SNR（Signal to Noise Ratio）环境下,其优势更加明显。（2）基于基础的Inception网络结构,研究了适合调制识别的改进的Inception单元模型,并提出了一种Inception-LSTM的组合网络结构,对PSK2、PSK4、CPM2、CPM4、FSK2、FSK4、QAM16七种数字调制信号进行了分类识别,并与本文提出的第一个改进网络VGG-LSTM的调制识别方法进行了对比分析。仿真结果表明,与本文提出的第一个改进网络VGG-LSTM模型的调制识别方法相比,改进的Inception-LSTM网络性能更加优异;当实验环境完全相同,且信噪比为0dB时,Inception-LSTM网络的1F-score高达97.4%,并在VGG-LSTM的基础上再次提升了2.8%。由此可见,比起VGG-LSTM网络,改进的Inception-LSTM的组合网络结构更具有分类识别的作用。