基于CNN和图域理论的BPSK_QPSK信号调制识别方法研究.pdf
《基于CNN和图域理论的BPSK_QPSK信号调制识别方法研究.pdf》由会员分享,可在线阅读,更多相关《基于CNN和图域理论的BPSK_QPSK信号调制识别方法研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷 第期 年月金 陵 科 技 学 院 学 报J OUR NA LO FJ I N L I NGI N S T I TUT EO FT E CHNO L O G YV o l ,N o M a r,D O I:/j c n k i /n 基于C N N和图域理论的B P S K/Q P S K信号调制识别方法研究杨莉,胡国兵(金陵科技学院电子信息工程学院,江苏南京 )摘要:为了增强对信号的调制识别性能,将图域理论与卷积神经网络相结合的方法应用于二进制相移键控/正交相移键控(B P S K/Q P S K)信号的调制识别任务中.首先,计算待识别时域信号的平方谱,并加窗得到截断序列;之后对截断序
2、列进行归一化量化图构建的图域变换,提取图的拉普拉斯矩阵和无符号拉普拉斯矩阵作为卷积神经网络的输入,训练得到分类识别结果.仿真结果表明,在低信噪比条件下,该方法具有较好的识别性能,具有一定的工程应用价值.关键词:B P S K/Q P S K信号;调制识别;图域变换;卷积神经网络中图分类号:TN 文献标识码:A文章编号:X()收稿日期:基金项目:江苏省高等学校自然科学研究重大项目(K J A )作者简介:杨莉(),女,江苏高淳人,高级实验师,硕士,主要从事统计信号处理研究.R e s e a r c ho nM o d u l a t i o nR e c o g n i t i o no fB
3、 P S K/Q P S KS i g n a l sB a s e do nC N Na n dG r a p hD o m a i nT h e o r yYANGL i,HUG u o b i n g(J i n l i n gI n s t i t u t eo fT e c h n o l o g y,N a n j i n g ,C h i n a)A b s t r a c t:T oe n h a n c et h em o d u l a t i o nr e c o g n i t i o np e r f o r m a n c eo f t h es i g n a l
4、,am e t h o dc o m b i n i n gg r a p hd o m a i nt h e o r ya n dc o n v o l u t i o n a l n e u r a l n e t w o r k(C NN)w a sa p p l i e dt o t h em o d u l a t i o nr e c o g n i t i o nt a s ko f b i n a r yp h a s e s h i f tk e y i n g/q u a d r a t u r ep h a s e s h i f tk e y i n g(B P S K
5、/Q P S K)s i g n a l s i nt h i sp a p e r F i r s t l y,t h es q u a r es p e c t r u mo ft h et i m ed o m a i ns i g n a l t ob ei d e n t i f i e dw a sc a l c u l a t e d,a n d t h e t r u n c a t e ds e q u e n c ew a so b t a i n e db yw i n d o w i n g;t h e nt h e t r u n c a t e ds e q u e
6、 n c ew a s t r a n s f o r m e d i n t og r a p hb yn o r m a l i z a t i o n,q u a n t i z a t i o na n dg r a p hc o n s t r u c t i o n A c c o r d i n g l y,t h eL a p l a c i a nm a t r i xa n du n s i g n e dL a p l a c i a nm a t r i xo f t h eg r a p hw e r ee x t r a c t e da st h e i n p
7、u to ft h eC NNf o rt r a i n i n gt oo b t a i nt h er e c o g n i t i o nr e s u l t s S i m u l a t i o nr e s u l t ss h o wt h a t t h i sp r o p o s e da l g o r i t h ms t i l l h a sg o o d r e c o g n i t i o np e r f o r m a n c eu n d e r l o w e rS N Rc o n d i t i o n sa n dh a sac e r
8、t a i nv a l u e i ne n g i n e e r i n ga p p l i c a t i o n K e yw o r d s:B P S K/Q P S Ks i g n a l;m o d u l a t i o nr e c o g n i t i o n;g r a p hc o n v e r s i o n;c o n v o l u t i o nn e u r a ln e t w o r k调制识别技术在军用和民用领域都具有重要的应用价值,众多学者对其进行了研究.传统的调制识别技术主要分为两大类:基于似然(l i k e l i h o o d b
9、 a s e d,L B)的方法和基于特征(f e a t u r e b a s e d,F B)的方法.L B调制识别方法能够达到识别性能的上边界,但依赖先验信息且计算复杂度较高.F B调制识别金陵科技学院学报第 卷方法主要有自相关函数、高阶累积量、平方谱、星座图等,该类方法计算复杂度较低,便于工程实现,但是在较低信噪比条件下识别性能通常不高.随着人工智能的发展,基于深度学习的调制识别技术日渐成为图像识别领域的热点,也相继被很多学者应用到调制识别任务中.该类技术中神经网络的输入一般为信号的时域形式或者其他变换域形式,神经网络能够自动学习输入层的深层特征.此类特征虽然缺乏可解释性,但能使待识
10、别样本具有更好的区分性.卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k,C NN)是经典的神经网络之一,它在卷积层使用的权重和偏置的参数较少,计算量也相对较小.文献 详细阐述了C NN对信号调制识别的性能有很大提高.近年来,一种新的图域理论应用于信号识别任务中,该方法将时域信号或者其他变换域形式转换成由顶点和边构成的无向图,即将信号的检测或识别问题转换成研究图的边与边拓扑关系强弱问题,其优势在于综合了信号时域特性与图拓扑特性,从而有利于增加识别性能.目前,尚未发现该方法与深度学习相结合的信号调制识别研究.本文在文献 成果的基
11、础上,初步将图域理论与深度学习中的C NN相结合并应用于B P S K/Q P S K信号调制识别问题中,为该领域的研究提供新的途径.信号模型及图域变换 信号模型假设待识别信号为x(n)si(n)w(n)Ae x pj fntdi(n)w(n),nN,i,()式中,s(n)为B P S K信号;s(n)为Q P S K信号;di(n)为相应的编码函数;A为信号幅度;j为虚数单位;N为信号样本个数;f为信号载频;t为采样间隔;为信号的初始相位;w(n)为零均值高斯白噪声过程,实部与虚部独立,方差为,且与信号互不相关.将本文调制识别问题定义为如下假设检验问题:H:待识别信号为B P S K信号.H
12、:待识别信号为Q P S K信号.图域变换文献 提出了一种将序列(时域或其他变换域)转换为图的变换方法.假设现有一离散序列Y(k),k,M,其图域变换的主要步骤如下:)归一化.对序列Y(k)进行归一化处理,即UY(k)Y(k)Ym i n(k)Ym a x(k)Ym i n(k)()式中,Ym a x(k)和Ym i n(k)分别为序列Y(k)的最大值和最小值.)量化.选择特定的量化级数N对UY(k)进行均匀量化,即QY(k)i()式中,iNUY(k)iN,iN.)图域变换.将QY(k)转换为具有顶点集Vv,v,vN 和边集合Ee,vV,vV 的图结构GE,V.具体为:从QY(k)到QY(k)
13、遍历,当存在v到v的电平跳变时,则两个顶点相连,即e,;反之,则两个顶点无连接,即e,.定义拉普拉斯矩阵 假设图的度矩阵为D(G)d i a g(d(v),d(vi),d(vNq),d(vi)为顶点vi的度.邻接矩阵为A(G)(ei j)NN,则L(G)D(G)A(G)为图的拉普拉斯矩阵.定义无符号拉普拉斯矩阵S(G)D(G)A(G)为图的无符号拉普拉斯矩阵.第期杨莉,等:基于C NN和图域理论的B P S K/Q P S K信号调制识别方法研究 基于C N N和图域理论的调制识别 基本思路本文基于C NN和图域理论的调制识别方案主要分为个步骤(图).)信号预处理.对待识别信号提取平方谱,并加
14、窗得到截断序列.)图域变换与特征提取.对截断序列进行归一化量化图构建,提取拉普拉斯矩阵的特征值和无符号拉普拉斯矩阵,并分别计算特征值向量.)训练和测试.将特征值向量输入到C NN中进行训练,然后将测试样本经过预处理、图域变换和特征提取,再将测试数据输入到训练好的C NN中自动学习从而输出识别结果.图基于C N N和图域理论的调制识别方案 信号预处理图为两种假设下待识别时域信号经过快速傅里叶变换(F F T)后提取的平方谱,B P S K信号的平方谱仅含有根类似于冲激的大值谱线,Q P S K信号的平方谱含有较多类似于冲激的大值谱线.图为两种假设下平方谱加窗以后得到的截断序列,显然,经过加窗处理
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CNN 理论 BPSK_QPSK 信号 调制 识别 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。