当前位置:主页 > 科技论文 > 网络通信论文 >

基于卷积神经网络的调制信号识别算法

发布时间:2024-03-07 02:06
  针对基于特征提取的调制信号识别算法准确性不高的问题,将卷积神经网络(Convolutional Neural Network, CNN)应用于调制信号识别,实现调制信号的空间和时序特征的自学习,避免了传统算法中特征选择和提取步骤,提高了识别准确率。调制信号样本为RaidoML2016.10a国际标准数据集,实验结果表明,CNN的识别准确率优于传统的调制信号识别算法。

【文章页数】:5 页

【部分图文】:

图1无线通信系统组成

图1无线通信系统组成

式中:x(t)为按照时间t发送的信号;f(t)为调制类型;符号“?”为卷积操作;h(t)为信道效应;n(t)为加性噪声。给定接收信号y(t),调制识别旨在预测f(t)的调制类型。1.2调制信号的累积量特征


图2基于CNN的调制识别模型

图2基于CNN的调制识别模型

在使用CNN模型[14-17]进行调制识别时,由于CNN具有空间特征学习能力,可直接对调制信号的IQ分量进行处理,本节将信号的原始样本作为网络的输入。信号样本采用国际标准数据集RML2016.10a_dict[19]。样本χ由信号的同相和正交分量组成。由于样本维度较小,本文设计的....


图3CNN与SVM、KNN的识别准确率对比

图3CNN与SVM、KNN的识别准确率对比

将CNN与两种特征提取的调制识别算法进行对比。特征提取的调制识别算法使用的信号专家特征为1.2节中提到的四阶累积量特征。对比的是SVM和KNN两种算法,准确率对比如图3所示。可见,在信噪比为-20~-16dB时,CNN、SVM以及KNN算法的识别准确率均在10%左右。随着信噪比....


图4在信噪比为-18dB时CNN的混淆矩阵

图4在信噪比为-18dB时CNN的混淆矩阵

针对RML2016.10a数据集中多种调制类型,进一步研究CNN的识别性能,利用混淆矩阵来观察每个类型的识别情况。混淆矩阵的横坐标为样本的网络预测信号类型(预测标签),纵坐标为这些样本的实际信号类型(真实标签)。图4为CNN在信噪比为-18dB时的识别结果混淆矩阵。在混淆矩阵的....



本文编号:3921221

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/wltx/3921221.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户5cbbd***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com