论文部分内容阅读
通信信号调制识别是军用干扰机、威胁分析系统和监视系统的基本组成部分，它也有重要的民用应用，例如应用于认知无线电，自适应通信。如果一个信号的调制类型是未知的，并且它被应用到一个不匹配的解调器上，那么信号的信息内容可能会被破坏，从而使通信信号无用。这对破译过程有负面影响。因此，调制识别是选择合适解调器的关键。因为只有对信号调制类型有准确的了解，信号解调才得以完成，接着信息提取、制定对策方案等其他操作才能继续执行。因此本文研究了基于机器学习的通信信号调制识别。
本文主要研究工作概括如下：
1、详细描述和推导了常用的通信信号识别特征如高阶累积量特征、瞬时参数特征、时频图特征、循环平稳谱特征，并在MATLAB实验平台上仿真出这些特征随信噪比变化的情况。并且由于单个高阶累积量特征受信号能量影响，需对高阶累积量特征进行组合，形成新的特征。为减少整个识别系统的执行时间，引入常用降维方法主成分分析法优化系统。将时频图与循环谱俯视图合并成一张图像，并利用小波去噪处理图像，然后将图像作为输入提取特征。详细描述和推导三种常用的机器学习方法，包括决策树，支持向量机和卷积神经网络。
2、提出了基于决策树的通信信号识别系统，该系统组合了时域特征和高阶累积量特征，并以此组合特征为决策树的输入数据，决策树为分类器。该系统在2dB信噪比下以高于90%的正确率识别出2ASK、4ASK、2FSK、4FSK、4PSK、8PSK和16QAM这七种通信信号，并将该系统与传统人工建立决策树的识别系统在相同条件下作比较，发现本文提出的系统识别率更高。
3、提出基于支持向量机的通信信号识别系统，该系统以支持向量机为分类器，经过主成分分析降维的循环域特征为支持向量机的输入数据。经实验仿真表明，该系统在信噪比大于-2dB时候能够以高于90%的正确率识别出2ASK、2FSK、4FSK、4PSK和2PSK这五种通信信号。并将该系统与已有文献提出的基于机器学习的信号识别方法在相同条件下作比较，比较结果表明本文提出的特征对提高信号识别正确率更有效。
4、提出基于卷积神经网络的通信信号识别系统，以时频图和循环谱图为卷积神经网络的输入，将调制识别问题转换成图像识别问题。经实验仿真表明，该系统在信噪比大于-4dB时,对{2FSK、4FSK、8FSK、2PSK、4PSK}信号识别率均大于90%，比单独使用时频图作为特征的系统识别率要高，证明了输入的特征质量对机器学习的识别结果影响很大。
本文主要研究工作概括如下：
1、详细描述和推导了常用的通信信号识别特征如高阶累积量特征、瞬时参数特征、时频图特征、循环平稳谱特征，并在MATLAB实验平台上仿真出这些特征随信噪比变化的情况。并且由于单个高阶累积量特征受信号能量影响，需对高阶累积量特征进行组合，形成新的特征。为减少整个识别系统的执行时间，引入常用降维方法主成分分析法优化系统。将时频图与循环谱俯视图合并成一张图像，并利用小波去噪处理图像，然后将图像作为输入提取特征。详细描述和推导三种常用的机器学习方法，包括决策树，支持向量机和卷积神经网络。
2、提出了基于决策树的通信信号识别系统，该系统组合了时域特征和高阶累积量特征，并以此组合特征为决策树的输入数据，决策树为分类器。该系统在2dB信噪比下以高于90%的正确率识别出2ASK、4ASK、2FSK、4FSK、4PSK、8PSK和16QAM这七种通信信号，并将该系统与传统人工建立决策树的识别系统在相同条件下作比较，发现本文提出的系统识别率更高。
3、提出基于支持向量机的通信信号识别系统，该系统以支持向量机为分类器，经过主成分分析降维的循环域特征为支持向量机的输入数据。经实验仿真表明，该系统在信噪比大于-2dB时候能够以高于90%的正确率识别出2ASK、2FSK、4FSK、4PSK和2PSK这五种通信信号。并将该系统与已有文献提出的基于机器学习的信号识别方法在相同条件下作比较，比较结果表明本文提出的特征对提高信号识别正确率更有效。
4、提出基于卷积神经网络的通信信号识别系统，以时频图和循环谱图为卷积神经网络的输入，将调制识别问题转换成图像识别问题。经实验仿真表明，该系统在信噪比大于-4dB时,对{2FSK、4FSK、8FSK、2PSK、4PSK}信号识别率均大于90%，比单独使用时频图作为特征的系统识别率要高，证明了输入的特征质量对机器学习的识别结果影响很大。