基于通信信号时频特性的卷积神经网络调制识别
在通信环境日益密集、信号调制样式层出不穷的情况下,信号的调制识别变得愈加困难.寻求一种高精度、时效性好的自动调制识别新方法,对无线电通信应用领域有重大意义.对此,文中提出了一种结合通信信号时频特性的卷积神经网络(Convolutional Neural Network Based on Time-Frequency Characteristics,TFC-CNN)调制识别算法.首先,采集大量调制信号,将信号的时频特征通过短时傅里叶变换转换成图像特征,并将其作为网络的输入;然后,设计一种特征提取能力更强、参数更少的卷积神经网络,通过改进网络中不同层的连结方式来增加网络的特征提取能力,同时通过减小卷积核的尺度、使用全局均值池化层来减少模型参数,提高了模型的时效性;最后,在网络中添加批归一化(Batch Normalization,BN)层,在增加模型稳定性的同时防止模型出现过拟合.实验结果表明,所提算法在参数和训练时间上比传统方法明显减少,同时有更高的准确率,体现了所提算法的优越性.
调制识别、时频特性、卷积神经网络、短时傅里叶变换
47
TP183(自动化基础理论)
浙江大学CAD&CG国家重点实验室开放课题;成都市科技项目
2020-04-24(万方平台首次上网日期,不代表论文的发表时间)
共5页
175-179