论文部分内容阅读
信号调制识别指的是在接收到未知调制信号后,根据信号的时域或者频域特性判别出它的调制方式,这是信号解调中关键的一步,具有重要意义。但是如今信道环境越来越复杂以及信号调制方式的逐渐增多,准确的识别出信号的调制方式变得越来越难。传统的人工调制识别方法由于对设备以及工作人员的要求都比较高而早已被舍弃,基于似然判决的方法虽理论完备但复杂度又太高,基于特征提取的方法提取的特征好坏对准确率影响较大,鲁棒性较差,难以普及,因此急需一种高效且鲁棒性强的替代方法。近年来,机器学习(Machine Learning,ML)的快速发展以及深度学习(Deep Learning,DL)在图像以及语音领域展现出的优势,使得不少学者提出将深度学习应用于信号调制识别领域。本文采用深度学习知识搭建端到端的网络模型,通过输入公开数据集中的IQ路采样信号来识别出信号调制模式,无需任何先验知识,是一种自动调制识别方法。依据数据样本特点,本文借鉴了图像处理领域常用的深度学习网络模型,提出残差网络(Residual Network,ResNet)和门控循环单元(Gate Recurrent Unit,GRU)结合的方法即ResNet_GRU。该方法能通过残差网络和门控循环单元分别提取信号的空间特性和时序特性来对未知信号进行识别,相比于CNN_LSTM(卷积神经网络和长短期记忆网络结合)方法,本文将其中的二维卷积替换成一维卷积,可在几乎相同参数量的情况下,增加网络深度。仿真结果表明,所提出的方法能有效的识别未知信号的调制方式,在信噪比大于6dB时,准确率可达到85%左右,并优于目前现有算法,如基于特征提取的机器学习方法和基于CNN_LSTM的方法。最后,本文根据仿真计算得到的混淆矩阵,研究分析了 ResNet_GRU方案的局限性,发现识别的错误主要发生在个别调制方式上,因此本文提出了一种分层次多任务网络模型,把不同的调制方式识别任务进行分组,搭建层次化的深度学习神经网络,将识别难度低的和识别难度高的进行分组来提高识别准确率。仿真结果表明,这种模型在信噪比大于0dB时,识别准确率可以达到90%以上。