论文部分内容阅读
自动调制信号识别(Automatic Modulation Recognition,AMR)是解调前的一个复杂且重要的技术,它在电子侦察、电子对抗等军事领域和无线电频谱管理等民用领域都有广泛的应用。近年来,基于机器学习和深度学习的自动调制信号识别技术开始备受关注,基于这类算法的调制识别方法较传统算法相比有更高的识别准确率和更强的鲁棒性。本文研究了基于自编码器和卷积神经网络的调制信号识别算法,并做了如下几方面的工作:1.对基于特征提取的调制信号识别算法进行研究,建立复杂信道下的调制信号模型,并提取了调制信号统计特征,完成信号统计特征的预处理过程。2.针对复杂信道下,由于调制信号受干扰较多,导致识别准确率不高的问题。提出基于抗混淆线性判别分析(Anti-alias Linear Discriminant Analysis,A-ALDA)和堆叠稀疏降噪自编码器(Stacked Sparse Denoising Autoencoders,SSDAE)的调制识别算法。该算法中,A-ALDA算法将信号累积量特征重构为新的特征,这些特征具有更优的分离性;将原始特征与新特征输入SSDAE进行分类,SSDAE是具有提取关键信息和抗噪声能力的堆叠神经网络。实验表明,此算法在复杂信道下调制信号的识别准确率高于对比的算法,并在不同的信号长度下和有相位、频率误差干扰下,均有良好的识别准确率。3.针对传统神经网络采取的是单维度特征学习的问题,设计了多种具有二维特征学习能力的卷积神经网络进行对比研究。并采用真实语音信号和信道效应生成的数据集,直接将调制信号的同相和正交分量输入网络进行训练和测试,避免了特征提取的繁琐计算步骤。在此基础上,还研究了卷积神经网络的参数对识别准确率和训练时间的影响。实验结果表明,基于不同类型的卷积神经网络算法的识别准确率高于所对比的基于特征提取的传统算法——KNN和线性SVM。4.针对传统研究割裂了信号局部特征和全局特征的问题,提出了基于特征融合和卷积神经网络的调制识别算法。将调制信号的统计特征输入深度线性判别分析网络(Deep Linear Discriminant Analysis,DLDA)进行优化,再将优化后的统计特征和调制信号的同相、正交分量进行双通道合并。对合并后的通道赋予能够根据训练而自动改变的权重,使网络能自己学习局部特征和全局特征的重要性,从而提高了识别准确率。