10.3969/j.issn.1000-386x.2019.11.033
基于卷积神经网络的多进制相位调制信号识别算法
由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类.针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法.将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别.该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征.为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化.与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现.实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性.
调制信号识别、卷积神经网络、短时傅里叶变换、时频图、深度学习
36
TP391.7(计算技术、计算机技术)
浙江大学CAD&CG国家重点实验室开放课题A1923;成都市科技项目2015-HM01-00050-SF
2019-11-29(万方平台首次上网日期,不代表论文的发表时间)
共8页
202-209