基于深度学习的M-QAM调制信号识别

基于深度学习的M-QAM调制信号识别

ID:37033030

大小:5.53 MB

页数:73页

时间:2019-05-15

基于深度学习的M-QAM调制信号识别_第1页
基于深度学习的M-QAM调制信号识别_第2页
基于深度学习的M-QAM调制信号识别_第3页
基于深度学习的M-QAM调制信号识别_第4页
基于深度学习的M-QAM调制信号识别_第5页
资源描述:

《基于深度学习的M-QAM调制信号识别》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、硕士学位论文I.圍i基于深度学习的M-QAM调制信号识别作者姓名李梦圆学校导师姓名、职称高全学教授企业导师姓名'职称王勇高工申请学位类别工程硕士学校代码10701学号1501120364分类号TN91密级公开西安电子科技大学硕士学位论文基于深度学习的M-QAM调制信号识别作者姓名:李梦圆?领域.电子与通信工程学位类别:工程硕士学校导师姓名、职称:高全学教授企业导师姓名、职称:王勇高工学院:通信工程学院提交日期18年6月:20ea

2、rn-DeepinBasedMModulationLgQAMSinalReconitionggAThesissubmitedtoXIDIANUNIVERSITYinartialfulfillmentofthereuirementspqforthedegreeofMasterinElectronicsandCommunicationsEngineeringByLiMenuangySuervisor:GaouanxueTitle:Professor

3、pQSuervisor:WanYonTitle:SeniorEnineerpgggJune2018'西安电子科技大学学位论文独创性(或创新性)声明秉承学校严谨的学风和优良的科学道德,本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研宄成果。尽我所知,除了文中特别加以标注和致谢中所罗列的内容以外,论文中不包含其他人己经发表或撰写过的研究成果;也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同事对本研究所做的任何贡献均已在论文中作了明确

4、的说明并表示了谢意。学位论文若有不实之处一,本人承担切法律责任。赚w本人签名:日期:西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定,即:研究生在校攻读学位期间论文工作的知识产权属于西安电子科技大学。学校有权保留送交论文的复印件,,允许查阅、借阅论文;学校可以公布论文的全部或部分内容允许采用影印、缩印或其它复制手段保存论文。同时本人保证,结合学位论文研宄成果完成的论文、发明专利等成果,署名单位为西安电子科技大学。本人签名:mi导师签名:

5、丨“#日期:日期:55摘要随着通信技术的蓬勃发展,信号的调制方式变得多样化和复杂化,大多数情况,下,接收方不知道信号的调制信息因此如何自动识别接收信号的调制方式变得尤。为重要多进制正交幅度调制信号(MQAM)具有较高的频谱资源利用率,在无线广播等领域得到了广泛的应用。由于浅层学习方法不能提取信号的深层特征且无法有效的解决复杂问题,而且星座图特征无法有效的表达重叠信号点及密集程度等特征,,因此本文使用图形星座投影(GCP)算法提取信号的图像特征作为卷积神经网络的输入,对高斯噪声信道中的

6、MQAM信号进行研究,主要研宄内容如下:1、由于深度学习中常用的soflmaxloss损失函数只能使深层特征分离,没有考centelo虑到深层特征的分布关系,针对这个缺点,将rss深度度量学习和softmax丨oss一MM相结合,提出种新的QA信号识别方法,称为基于深度度量学习的MQAM信号识别方法。centerloss度量学习可以刻画样本深层征的类内离散度,因此两个损失函数相结合可以使得深层特征类内离散度小,类间离散度大,从而使卷积神经网络学到的特征更具有判别性。本文在4QAM,8QAM,16QAM,

7、32QAM,64QAM,128QAM,256QAM七种调制信号上进行了充分的实验,结果证明本文提出的方法提高了MQAM信号的分类性能。2、基于深度度量学习的卷积神经网络不能有效的选择特征,针对这个不足,提出了基于深度度量学习和特征选择的MQAM信号识别方法,它在深度度量学习的基础上对特征通道的全局描述符进行线性和非线性的建模,将建模后的结果作为衡量特征通道之间依赖关系和重要程度的权重,以实现通道的特征重选择,强调有用的特征并抑制无用的特征。本文在七种QAM信号上进行了充分的实验,实验结果证明了本文

8、提出算法的有效性。关键词:MQAM信号识别,图形星座投影算法,深度度量学习,特征选择,卷积神经网络IABSTRACTABSTRACTtttecttitsofWiththerapiddevelopmenofc

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。