一、通信信号调制方式自动识别与数字解调技术(论文文献综述)
林佳祥[1](2021)在《基于OFDM的宽带电力载波通信系统关键技术研究》文中进行了进一步梳理随着我国电网的现代化建设,电力载波通信技术由于覆盖范围广、成本低廉等优势成为了重点研究内容,当前的大容量、低延时业务对电力载波通信技术的速率与可靠性提出了较高的要求。以实现高速率、低误码的通信为目标,本文研究了基于OFDM(Orthogonal Frequency Division Multiplexing)的宽带电力载波通信系统,并采用FPGA(Field Programmable Gate Array)与DSP(Digital Signal Processing)开发平台对接收子系统进行了软硬件协同设计和实现。本文在低压宽带电力载波信道的基本特征分析基础上,利用Middleton A类噪声模型进行随机脉冲噪声建模,并通过与自底向上法以及频域分析法的电力载波信道传递函数建模方法进行对比,选择采用M.Zimmermann与Klaus Dostert提出的自顶向下传递函数模型,结合噪声模型与传递函数模型建立了低压宽带电力载波通信信道,为后续仿真提供支撑。本文阐述了OFDM系统的基本原理与关键技术,对电力载波通信中采用OFDM技术的优势进行了分析,然后提出了宽带电力载波通信系统的总体方案,对物理层框架、主要参数与帧结构进行了设计,并简要介绍了接收子系统的主要功能模块。针对起始位置偏移导致的接收星座图旋转与符号间干扰问题,本文结合延时自相关与本地序列互相关算法,提出了基于本地序列的二次相关算法,可以消除测度函数的峰值平台与“小尖峰”现象,使符号同步结果更加精确。针对收发端采样时钟不匹配的情况,提出了基于相位叠加的采样时钟同步算法,与传统方法相比,准确度有3d B以上的增益。针对电力载波信道中的多径与噪声特性造成的通信误比特率过高问题,本文提出了基于噪声聚类的镜像扩展DFT(Discrete Fourier Transform)信道估计算法,相比传统LS(Least Square)算法在误比特率10-3处存在2.8d B左右的性能提升。在OFDM峰均功率比优化方面,本文提出哈达玛变换和迭代翻转部分传输序列相结合的方法,有效降低系统的峰均功率比。基于FPGA与DSP开发平台对提出的宽带电力载波通信系统接收端进行软硬件协同设计,实现了接收基带处理子系统,并通过功能仿真与上板调试对各个模块进行测试,结果表明接收端可以准确恢复出发送数据,验证了本文提出的宽带电力载波通信系统总体方案和关键算法的可行性,为后续产业化芯片的设计提供重要参考。
周思洋[2](2021)在《基于机器学习的大动态信噪比下调制模式识别方法研究》文中研究指明自动调制模式识别(Automatic Modulation Recognition,AMR)作为软件无线电与认知无线电的核心技术,在当今智能通信系统中有着广泛的应用。目前的AMR方法的性能大都受信噪比(Signal to noise ratio,SNR)影响比较大,在大动态SNR环境下识别与泛化能力不足。然而在深空通信与高速飞行器通信等场景中,宇宙射线与飞行器高速移动等原因会导致接收端SNR动态范围很大且快速变化,这使得AMR的性能极度依赖信道估计的实时性与准确性,无法工作在大动态SNR环境下。本文主要研究基于机器学习的大动态SNR环境下单信号以及混叠多信号的调制模式识别方法,提高AMR在大动态SNR环境下的识别与泛化能力,降低AMR对于信道估计的依赖。首先针对非合作体制信号可获得样本数很少的场景下,为了解决大动态SNR环境下由于特征集中的冗余特征导致的泛化能力不足的问题,提出了基于鲁棒特征集遴选的小样本调制识别方法。首先利用特征值在不同SNR下的统计信息,通过K均值聚类选择出对噪声变化具有鲁棒性的特征,进而通过粗糙集属性约简移除特征集中的冗余信息,得到适合在大动态SNR下进行识别的特征集用于分类器训练。该方法在只需要少量样本的情况下,在保持识别性能的同时,大幅降低了特征维度并提高了算法的噪声鲁棒性。其次,针对大动态信噪比环境下合作通信体制信号可获得样本充足的场景,研究基于鲁棒特征学习的调制识别方法。在样本量充足的前提下,使用深度学习完成对更复杂通信场景的识别,包括2种不同的识别场景:(1)在高斯白噪声信道中,为了解决大动态SNR环境下特征集对于多类属调制集泛化能力不足的问题,提出了一种基于鲁棒特征组合的复杂调制集调制识别方法。由于特征遴选的方式无法处理由于特征泛化能力不足导致的性能缺失,故在固定SNR下可分的前提下,采用自动编码机对SNR动态范围内所有信号的特征值进行训练与学习,并通过特征组合的方式输出一组新的特征。该方法在大幅度降低特征维度的同时,增强了特征集在大动态SNR下的识别与泛化能力;(2)在多径衰落信道中,为了解决特征集在固定SNR下对于多类属调制集识别能力不足,更无法在大动态SNR环境下部署的问题,提出了一种基于卷积神经网络的多径衰落信道调制识别方法。在特征集在固定SNR下无法完成识别时,寻找新的有效特征是一项费时费力且性能无法保证的工作。该方法采用卷积神经网络,通过特征学习的方式直接从海量样本中学习出适合在大动态SNR环境下识别的特征,在完成识别的同时,通过对CNN中间层以及输出特征的可视化,验证了CNN学习到特征优秀的可分性与泛化性,该方法不依赖于人工寻找与设计特征集,在保证识别性能的前提下,可实现多径信道环境下的多类属信号调制模式识别;最后,针对时频域均不可分的混叠多信号调制模式识别的应用场景,为了解决需要同时识别出信号中所有信号的调制方式的问题,在大动态SNR环境下提出了一种基于胶囊神经网络的混叠多信号调制识别方法。该方法通过将胶囊结构与卷积神经网络相结合,使网络在输出端具有多标签同时识别的能力,通过提出阈值判决的方式,实现混叠信号中包含的信号数量的识别,并针对阈值判决的识别方式提出了一种代价函数,加快了网络训练的收敛速度。同时对于信号数量未知带来的识别结果判定以及性能评价指标也做了定义。该方法相较于已知的混叠多信号AMR方法,可以处理的调制方式种类与识别性能均有提高,不依赖于信号数量估计并首次实现3个信号同时存在情况下的识别。
白旭天[3](2021)在《基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法研究》文中研究说明由于通信技术的飞速发展和通信设备的日益复杂,电磁环境中出现了多种多样调制方式的通信信号。作为无线电频谱监测、认知无线电、软件无线电中的关键工作环节,通信信号调制方式识别是在缺乏先验信息和存在噪声干扰的情况下,分析接收信号样本获得其调制方式和其它调制参数的技术。正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是一种新型的多载波调制技术,被广泛应用于民用和军用领域中。在多种数字通信信号和噪声共同存在的复杂电磁空间环境中,将OFDM信号有效识别出来的困难较大,相关研究成果较少,因而本文将人工智能技术中的深度学习方法引入到OFDM信号调制识别领域中,提出一种基于短时傅里叶变换和VGG-16卷积神经网络的OFDM信号调制识别算法,解决OFDM信号和单载波信号在低信噪比条件下的调制识别问题。本文的主要研究内容如下:1.介绍数字通信的基本理论。分析了 MASK、MFSK、MPSK、MQAM等四种单载波调制信号的基本理论;分析了多载波调制系统的原理,给出了 OFDM调制系统的基本原理和基本结构模型;分析了通信信号循环平稳性的基本理论。2.介绍深度学习和卷积神经网络理论。阐述了深度学习的发展历程和擅长领域,给出了与深度学习相关的三种技术之间的关系,分析了基础神经网络的模型、训练过程及过拟合问题处理方法,分析了激活函数及其特点。重点阐述了卷积神经网络(Convolution Neural Network,CNN)的相关理论,依次介绍了 CNN的基本结构、主要特性、相关运算,分析了 CNN输出层中所使用的Softmax分类器。3.提出一种应用短时傅里叶变换和VGG-16卷积神经网络的OFDM信号调制识别算法。该算法首先利用通信信号具有周期为符号间隔的循环平稳性,对每个符号周期内的OFDM信号和几种单载波信号进行窗口长度为符号间隔的短时傅里叶变换(short-time Fourier transform,STFT),转换为对应的时间-频率图像;然后,将时间-频率图像作为信号浅层特征送入VGG-16卷积神经网络模型中进行训练,网络卷积层、池化层自动提取OFDM信号和几种单载波信号的特征信息;最后,在网络输出层中选用Softmax分类器,完成OFDM信号与其他几种单载波信号的调制分类。仿真分析了算法的总体识别结果和算法的复杂度,从不同卷积核尺寸、不同激活函数、不同优化算法角度分析了该算法对调制识别系统性能的影响。研究结果表明:基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法提高了 OFDM信号在低信噪比下的调制识别准确率,验证了本文方法的有效性。
回奕[4](2021)在《基于深度学习的通信信号调制识别技术研究》文中指出
李志洋[5](2021)在《基于WFRFT的载波体制键控技术研究》文中研究说明
赖政阳[6](2021)在《数字调制方式盲识别的研究与实现》文中认为调制方式盲识别是指在非合作通信系统中,对接收到的通信信号进行处理和分析,判断出信号采用的调制方式,从而为信号解调乃至信号识别提供依据。该项技术在通信侦察、电子对抗、信号监督等军用和民用领域都有着重要的应用。目前数字调制方式盲识别技术存在以下几点挑战:1、伴随着频谱资源的日益紧张,资源利用率更高的高阶调制方式受到了广泛应用,此外复杂的电磁环境也给低信噪比情况下的盲识别带来了巨大挑战。因此需要提出新的盲识别算法,提高盲识别准确率;2、传统的盲识别是由专业的操作人员通过观测频谱分析仪等仪器中输出的图像来判断信号的调制方式。因此需要设计和实现盲识别平台,代替人工操作,提高盲识别的识别效率和识别准确率。本文的研究内容如下:一、针对调制方式盲识别算法由于提取到的特征有限导致其无法很好的表征调制信号的问题,提出了基于联合特征的调制方式盲识别算法。该算法首先借助于聚类手段完成信号的特征提取,提取了隶属度矩阵和聚类中心位置这两个特征;其次基于聚类中心位置生成特征向量,并结合现有的基于隶属度矩阵生成的特征向量,扩展表征信号的特征向量;最后将特征向量输入设计好的浅层神经网络分类器,输出信号的调制方式。仿真结果显示,在信噪比为0dB~4dB的情况下,基于联合特征的调制方式盲识别算法相较于基于单一特征的对比算法整体识别率提高了 20%-30%,同时在信噪比为0dB时,64QAM高阶调制方式的盲识别准确率相较于基于单一特征的对比算法提高了36%。二、针对调制方式盲识别平台无法跨设备访问,实现复杂度高,识别准确率低等问题,设计并实现了调制方式盲识别平台。首先对该平台进行了需求分析和总体设计,确定了平台的功能模块和技术方案;其次,设计并实现了五个功能模块,分别是数据输入模块、数据预处理模块、盲识别算法模块、数据分析计算模块和数据可视化模块,这些模块用于实现和优化调制方式盲识别平台的功能和性能。最后,对平台进行了功能验证与性能分析。结果表明,该平台可以跨设备访问,实现复杂度低且识别准确率较高。
崔凯[7](2021)在《基于深度学习的卫星信号调制样式识别算法研究》文中指出近年来,卫星通信的应用场景不断拓宽,通常会根据通信环境或者通信需求的不同采用不同的信号调制样式,同时卫星信号需要远距离传输,传输过程中会受到各种各样信道效应的随机影响,这些都增加了卫星信号调制样式识别的难度。为了能够有效识别卫星信号的调制样式,并且考虑到星载计算机计算能力与存储空间的限制,本文研究了一种可嵌入的基于深度学习的卫星信号调制样式识别算法,研究过程如下:(1)本文首先通过资料调研对信号调制样式识别的研究现状进行了总结分析,指出了现阶段基于决策理论方法、基于特征提取方法和基于深度学习方法存在的问题。基于决策理论的识别方法需要大量的先验知识,同时运算复杂度较高且适应性差;基于特征提取的识别方法通过提取专家特征进行调制识别,然而一种专家特征并不能适用于对所有调制样式,因此该方法的通用性较差;深度学习算法由数据驱动,具有优秀的特征提取能力,所以基于深度学习的识别方法拥有足够的鲁棒性和通用性,可以应对各种通信状态下的多种调制样式识别的任务。但是现阶段基于深度学习的信号调制样式识别算法通常复杂度较高,需要占用数据处理设备大量的硬件和软件资源,难以在嵌入式设备上部署应用。(2)针对现阶段基于深度学习的信号调制样式识别算法复杂度较高的问题,本文提出了一种基于多尺度时序特征的信号调制样式识别算法,在保证算法识别性能不下降的情况下,大幅降低了算法复杂度。该算法通过级联卷积网络与长短期记忆网络来构建算法模型,将原始I/Q信号作为时序数据输入,首先利用一维卷积层提取不同时间尺度的时序数据,然后通过跨层连接不同卷积层的输出实现特征的融合,让LSTM网络层能够更好、更高效地提取时序特征,最终使得算法对信号调制样式的识别达到了优秀的效果。另外,本文通过减小网络宽度、采用小尺寸卷积核和使用降维卷积单元等对网络结构进行了设计与优化,降低了本文提出算法的复杂度。实验结果表明,在信噪比大于4 d B时,本文提出算法对11种调制信号的识别准确率达到90%以上;与同等识别准确率的深度学习算法相比,本文提出算法更加高效,模型参数量降低了89%以上,训练时间缩短了17%以上。同时本文还在嵌入式设备Jetson Nano和树莓派4B上对算法进行了验证,与同等识别准确率的算法相比,本文提出算法的推理时间缩短了67%以上,因此本文提出算法更加符合嵌入式应用的要求。(3)针对卫星通信场景,本文使用GNU Radio软件无线电开发框架搭建了卫星数字视频信号处理系统,并仿真生成了6种卫星数字视频信号。通过对仿真卫星信号数据进行切片、标准化和类别标注处理后,得到卫星通信信号数据集。然后利用该数据集对本文提出算法识别卫星信号调制样式的能力进行了验证,同时针对不同输入数据长度和幅相数据输入的情况进行了研究实验。由于传输速率和接收机采样速率的变化,获取的信号样本的数据长度可能不同。实验结果表明,在高信噪比条件下,本文提出算法对不同数据长度的信号样本都能进行有效的识别,且识别准确率接近100%;在低信噪比条件下,随着信号样本数据长度的增长,本文提出算法对样本调制样式的识别准确率也越高,因为样本数据中包含的信息更多。幅相数据是卫星信号调制样式识别中常用的一种数据输入形式,可以由I/Q数据转换得到。实验结果表明,与I/Q数据输入相比,幅相数据输入在低信噪比区间的的识别准确率较低,主要是因为I/Q数据中蕴含着更多的原始信息。
闫文康[8](2021)在《空间目标无线电辐射特性研究》文中指出信噪比估计和调制样式分类在无线通信中有重要作用,信噪比估计在自适应解调、增益控制和信道分配方面有重要作用,调制样式分类在电子战、电磁频谱监测及认知无线电中有重要作用。空间频谱资源的紧缺、通信环境的日益复杂对信噪比估计和调制样式分类算法有了更高的要求。本文将对非数据辅助的信噪比估计算法仿真总结并着重对基于特征分类的调制识别技术研究。本文仿真总结的信噪比估计算法主要包括:高阶矩估计算法、均值方差估计算法及信号子空间分解的估计算法。通过仿真分析后,高阶矩和均值方差的估计算法只能处理恒包络的调制方式,均值方差的算法在低信噪比下信噪比估计的均方误差较小。信号子空间分解的信噪比估计算法利用高斯白噪声下均值为零,通过构造相关函数矩阵的方式估计信噪比,可对非恒包络的调制方式估计信噪比。信号子空间和噪声子空间分界点的估计影响到估计精度,本文对三种估计算法的计算量和精度进行了分析总结。调制样式分类是本文重点研究,本文首先介绍了通信信号的传输模型,并介绍了常见的空间通信频段及业务。针对常见的空间信号调制方式:MPSK、MFSK、MQAM及MAPSK,分析了常见分类特征的优缺点,分析表明,高阶累积量特征无法实现MFSK信号分类,小波变换特征对MPSK不够敏感,分类效果较差,单一的特征无法实现上述四大类信号的调制识别。本文创新的使用高阶累积量、熵值及小波变换结合的联合特征,并采取决策树的分类器对上述信号进行调制分类。首先进行了类别间的识别,利用小波变换对时频信息敏感的特点,通过计算混合信号的小波变换和熵值联合特征将信号识别为MPSK、MFSK及MQAM和MAPSK的三大类别,再通过构造的高阶累积量特征的函数实现了类别内不同阶数的信号识别。经仿真证明,该方法可实现四大类信号的调制样式分类,当信噪比为5d B时,混合信号识别率可达到75%。
徐玥[9](2021)在《大规模低功耗物联网反射通信系统设计与优化》文中研究指明反向散射通信(Backscatter)是一种不需要电源的低功耗通信技术,以环境中常见的电磁波作为载波传输发送信号,例如WiFi、ZigBee、蓝牙信号,可以实现随时随地的通信,在物联网领域被广泛应用。但现有的反射通信系统大都节点规模较小,不适用于普通的室内办公场景,且节点的维护成本也比较高。为了解决这些问题,本文针对室内场景设计了一种基于反向散射通信的无源物联网通信系统,该系统由发送端、多个通信节点(Tag)、接收端组成。基于现有的光信号获能模块,为Tag设计了高频信号获能模块,使Tag无需安装电池,降低了节点的维护成本,且相较于其他无源通信系统,本文设计的通信协议中,采用了基于反向散射通信的OOK调制和CDMA编码相结合的信号处理方法,增大了系统中的节点容量。该通信系统的主要创新点在于(1)在光信号获能的基础上设计了一种射频信号获能模块,该模块可以收集射频信号能量并对Tag进行持续供压,保证Tag可以无源工作;(2)改进了针对高频信号的阻抗匹配网络值计算方法,降低了高频信号进入数字电路的损耗;(3)在反向散射通信的基础上结合了 OOK调制和CDMA编码,增加了系统中的Tag数量。在实际环境中,Tag可以安装传感器并通过传感器采集环境信息,以无源被动通信的方式将环境信息发送出去,信号发送过程的能量从环境电磁波中获取。作为一种可持续发展的低功耗通信系统,它可以适用于智能家居、智能办公等多种物联网通信场景。
卜可[10](2021)在《基于迁移学习的自动调制识别研究》文中研究说明在通信系统中,自动调制识别促进了许多重要的信号处理应用的发展,如认知无线电、频谱共享等。近年来常用于调制识别的深度学习模型因其对训练数据量和数据分布的要求,不能解决实际通信场景中存在的以下问题:(1)因通信环境的复杂性导致数据分布发生偏移;(2)面向特定的数据分布,训练数据量不可控。为了应对这些挑战,我们研究了基于迁移学习的自动调制识别。迁移学习能够减轻分类模型在数据分布和训练数据量方面的约束。(1)本文提出将对抗性迁移学习结构(Adversarial Transfer Learning Architecture,ATLA)引入到自动调制识别领域,实现对抗性训练和知识迁移的统一。该结构通过对抗性训练挖掘源域中的潜在信息,并进一步应用到目标域中,实现两域之间的非对称映射构建。ATLA主要由三部分组成:源模型、目标模型和判别器。实验证明,提出的ATLA算法能够减少目标模型对训练数据的需求量,且优于现有的参数迁移方法。上述结构只适用于源模型和目标模型能够共用参数的情况,当遇到输入向量维度不同的迁移场景,或源模型和目标模型结构不同的情况时,上述的对抗式迁移学习结构便失效了。(2)为使源模型和目标模型相互独立,本文改进了 ATLA结构,实现了跨模型地对抗式迁移学习方法(Cross-model Adversarial Transfer Learning Architecture,CATLA)。该方法与 ATLA 结构主要存在以下区别:(a)目标模型与源模型结构相互独立,互不干扰。(b)目标模型使用目标域的小样本训练集训练作为初始化。(c)判别器的输入替换为源模型和目标模型的softmax层输出。实验结果验证,跨模型地对抗式迁移学习能够有效地解决不同模型结构间的迁移问题,且在泛化性、数据分布差异容忍度等方面优于参数迁移和ATLA结构。
二、通信信号调制方式自动识别与数字解调技术(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、通信信号调制方式自动识别与数字解调技术(论文提纲范文)
(1)基于OFDM的宽带电力载波通信系统关键技术研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩写、符号清单、术语表 |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国外电力载波通信研究现状 |
1.2.2 国内电力载波通信研究现状 |
1.3 主要研究内容及后续章节安排 |
第2章 低压宽带电力载波信道建模 |
2.1 低压宽带电力载波的信道特性 |
2.1.1 衰减特性 |
2.1.2 噪声特性 |
2.1.3 多径传播 |
2.1.4 时变性 |
2.2 信道建模 |
2.2.1 噪声建模 |
2.2.2 传递函数建模 |
2.2.3 低压宽带电力载波信道模型 |
2.3 本章小结 |
第3章 宽带电力载波通信系统总体设计 |
3.1 典型的OFDM通信系统框架 |
3.1.1 OFDM系统的基本原理 |
3.1.2 循环前缀与加窗 |
3.1.3 OFDM系统的关键技术 |
3.1.4 OFDM在电力载波通信中的优势 |
3.2 宽带电力载波通信系统总体设计方案 |
3.2.1 系统物理层框架设计 |
3.2.2 系统物理层主要参数 |
3.2.3 通信帧结构 |
3.2.4 接收子系统主要模块 |
3.3 本章小结 |
第4章 宽带电力载波通信系统的关键技术 |
4.1 符号同步算法设计 |
4.1.1 符号同步偏差的影响 |
4.1.2 符号同步算法 |
4.1.3 仿真对比与分析 |
4.2 采样时钟同步算法设计 |
4.2.1 采样时钟偏移的影响 |
4.2.2 采样时钟同步算法 |
4.2.3 仿真对比与分析 |
4.3 信道估计算法设计 |
4.3.1 电力载波信道的影响 |
4.3.2 信道估计算法 |
4.3.3 仿真对比与分析 |
4.4 降峰均功率比算法设计 |
4.4.1 OFDM峰均功率比统计方法 |
4.4.2 降峰均功率比算法 |
4.4.3 仿真对比与分析 |
4.5 宽带电力载波系统整体仿真性能 |
4.6 本章小结 |
第5章 系统接收样机实现方案 |
5.1 样机整体框架 |
5.1.1 收发系统联调及测试等效方案 |
5.1.2 硬件平台简介 |
5.2 基于FPGA的硬件逻辑设计 |
5.2.1 A/D转换接口模块 |
5.2.2 降抽样模块 |
5.2.3 AGC模块 |
5.2.4 帧检测模块 |
5.2.5 符号同步模块 |
5.2.6 SRIO发送模块 |
5.2.7 FPGA资源占用情况 |
5.3 基于DSP的软件设计 |
5.3.1 SRIO接收模块 |
5.3.2 采样时钟同步模块 |
5.3.3 信道估计模块 |
5.3.4 符号解调模块 |
5.3.5 DSP存储资源占用情况 |
5.4 测试结果与分析 |
5.5 本章小结 |
第6章 全文总结与后续工作展望 |
6.1 全文总结 |
6.2 后续工作展望 |
参考文献 |
作者简历及在学期间所取得的研究成果 |
(2)基于机器学习的大动态信噪比下调制模式识别方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及研究的目的与意义 |
1.2 单信号调制模式识别方法研究现状 |
1.2.1 通信信号特征提取研究现状 |
1.2.2 特征选择与组合研究现状 |
1.2.3 分类器研究现状 |
1.2.4 基于深度学习的调制模式识别方法研究现状 |
1.3 混叠多信号调制模式识别方法研究现状 |
1.4 本文的主要研究内容 |
第2章 无线通信系统与仿真信号模型 |
2.1 软件无线电系统模型 |
2.2 信号模型与调制方式 |
2.3 通信信号的仿真 |
2.3.1 仿真信号的带限 |
2.3.2 仿真信号的产生 |
2.4 本章小结 |
第3章 基于鲁棒特征集遴选的小样本调制识别方法 |
3.1 引言 |
3.2 通信信号的原始特征集提取 |
3.3 大动态信噪比下的鲁棒特征集遴选 |
3.3.1 基于K均值聚类的噪声鲁棒特征集遴选 |
3.3.2 基于粗糙集的特征集属性约简 |
3.4 基于鲁棒特征集遴选与支持向量机的通信信号识别 |
3.5 仿真结果与分析 |
3.6 本章小结 |
第4章 基于鲁棒特征学习的调制识别方法 |
4.1 引言 |
4.2 基于鲁棒特征组合的复杂调制集调制识别方法 |
4.2.1 自动编码机的原理与结构 |
4.2.2 大动态信噪比下的鲁棒特征组合与降维 |
4.2.3 仿真结果与分析 |
4.3 基于卷积神经网络的多径衰落信道调制识别方法 |
4.3.1 系统模型 |
4.3.2 卷积神经网络的结构 |
4.3.3 大动态信噪比下基于卷积神经网络的特征学习 |
4.3.4 仿真结果与分析 |
4.4 本章小结 |
第5章 基于胶囊神经网络的混叠多信号调制识别方法 |
5.1 引言 |
5.2 系统模型 |
5.2.1 混叠多信号信号模型 |
5.2.2 胶囊神经网络的原理 |
5.2.3 胶囊神经网络的动态路由结构 |
5.3 混叠多信号识别的损失函数与评价准则 |
5.3.1 多信号调制识别的损失函数 |
5.3.2 混叠多信号调制识别的性能评价 |
5.4 仿真结果与分析 |
5.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其他成果 |
致谢 |
个人简历 |
(3)基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题的研究背景和意义 |
1.2 课题的国内外研究现状 |
1.2.1 通信信号调制识别的研究现状 |
1.2.2 OFDM信号调制识别的研究现状 |
1.2.3 基于卷积神经网络的信号调制识别研究现状 |
1.3 本文的主要工作和章节安排 |
2 数字通信基本理论 |
2.1 单载波数字调制基本理论 |
2.1.1 二进制单载波数字调制原理 |
2.1.2 多进制单载波数字调制原理 |
2.2 OFDM基本理论 |
2.2.1 多载波调制系统原理 |
2.2.2 OFDM调制系统的基本原理 |
2.2.3 OFDM调制系统的基本结构模型 |
2.3 通信信号循环平稳性基本理论 |
2.3.1 一阶循环平稳理论 |
2.3.2 二阶循环平稳理论 |
2.4 本章小结 |
3 深度学习和卷积神经网络理论 |
3.1 深度学习简述 |
3.1.1 机器学习、深度学习和人工智能 |
3.1.2 深度学习发展历程 |
3.1.3 深度学习擅长领域 |
3.2 神经网络基础 |
3.2.1 神经网络模型 |
3.2.2 激活函数及其特点 |
3.2.3 神经网络的训练 |
3.3 卷积神经网络理论 |
3.3.1 卷积神经网络的基本结构 |
3.3.2 卷积神经网络的主要特性 |
3.3.3 卷积神经网络的相关运算 |
3.3.4 Softmax分类器 |
3.4 本章小结 |
4 应用短时傅里叶变换和VGG-16卷积神经网络的OFDM信号调制识别算法 |
4.1 信号模型 |
4.2 基于短时傅里叶变换理论的信号时频特征提取 |
4.2.1 连续短时傅里叶变换 |
4.2.2 离散短时傅里叶变换 |
4.3 VGGNet卷积神经网络识别方法 |
4.4 基于STFT和VGG-16网络模型的OFDM信号调制识别算法 |
4.4.1 算法流程 |
4.4.2 信号数据集和时间-频率图像生成 |
4.5 实验仿真结果与分析 |
4.5.1 算法总体识别结果 |
4.5.2 不同卷积核尺寸识别结果对比分析 |
4.5.3 不同激活函数识别结果对比分析 |
4.5.4 不同优化算法识别结果对比分析 |
4.5.5 算法复杂度分析 |
4.6 本章小结 |
5 总结与展望 |
5.1 本文总结 |
5.2 工作展望 |
致谢 |
参考文献 |
攻读学位期间主要研究成果 |
(6)数字调制方式盲识别的研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 研究内容及成果 |
1.3 论文结构与章节安排 |
第二章 调制方式盲识别相关研究综述 |
2.1 引言 |
2.2 移动通信常见调制方式 |
2.2.1 MPSK信号 |
2.2.2 MQAM信号 |
2.3 调制方式盲识别算法综述 |
2.3.1 基于假设检验的最大似然法 |
2.3.2 基于特征提取的模式识别法 |
2.3.3 盲识别算法总结与对比 |
2.4 调制方式盲识别平台综述 |
2.4.1 基于FPGA的盲识别平台 |
2.4.2 基于DSP的盲识别平台 |
2.4.3 基于GPP的盲识别平台 |
2.4.4 盲识别平台总结与对比 |
2.5 本章小结 |
第三章 基于联合特征的调制方式盲识别算法研究 |
3.1 引言 |
3.2 基于聚类的信号特征提取 |
3.3 联合特征盲识别算法 |
3.3.1 基于隶属度矩阵的特征向量生成 |
3.3.2 基于聚类中心位置的特征向量生成 |
3.3.3 分类器设计与算法实现 |
3.4 仿真结果与分析 |
3.4.1 仿真设置 |
3.4.2 结果分析 |
3.5 本章小结 |
第四章 调制方式盲识别平台设计与实现 |
4.1 引言 |
4.2 平台总体设计 |
4.2.1 需求分析 |
4.2.2 平台设计 |
4.3 平台模块实现 |
4.3.1 数据输入模块实现 |
4.3.2 数据预处理模块实现 |
4.3.3 盲识别算法模块实现 |
4.3.4 数据分析计算模块实现 |
4.3.5 数据可视化模块实现 |
4.4 平台功能验证与性能分析 |
4.4.1 功能验证 |
4.4.2 性能分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
(7)基于深度学习的卫星信号调制样式识别算法研究(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 课题背景与意义 |
1.2 国内外研究现状 |
1.2.1 基于决策理论的识别方法 |
1.2.2 基于特征提取的识别方法 |
1.2.3 基于深度学习的识别方法 |
1.2.4 存在问题及差距分析 |
1.3 本文的主要研究工作 |
1.4 本文章节安排 |
第2章 相关理论和技术 |
2.1 数字通信系统 |
2.2 数字卫星信号 |
2.2.1 PSK调制信号 |
2.2.2 QAM调制信号 |
2.2.3 APSK调制信号 |
2.3 信号调制识别 |
2.4 深度学习 |
2.4.1 卷积神经网络 |
2.4.2 循环神经网络 |
2.5 本章小结 |
第3章 基于多尺度时序特征的信号调制样式识别算法 |
3.1 实验数据集 |
3.2 基于多尺度时序特征的信号调制识别算法研究 |
3.2.1 I/Q信号输入 |
3.2.2 卷积模块与特征融合 |
3.2.3 LSTM模块 |
3.2.4 输出层 |
3.3 算法训练 |
3.4 实验结果对比 |
3.4.1 对比的算法 |
3.4.2 算法识别准确率对比 |
3.4.3 算法复杂度对比 |
3.4.4 嵌入式实现对比 |
3.5 本章小结 |
第4章 卫星通信信号数据集生成及算法验证 |
4.1 卫星数字视频信号仿真 |
4.1.1 信源编码 |
4.1.2 DVB-S2 系统 |
4.1.3 CATV系统 |
4.1.4 卫星通信信道仿真 |
4.2 数据生成与处理 |
4.3 算法验证 |
4.3.1 不同输入数据长度 |
4.3.2 幅相数据输入 |
4.4 本章小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(8)空间目标无线电辐射特性研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 基于似然或分布的分类器 |
1.2.2 基于特征的分类器 |
1.2.3 基于机器学习的分类器 |
1.2.4 信噪比估计现状 |
1.3 本文的主要研究内容及章节安排 |
第2章 数字调制信号及特征 |
2.1 数字系统及调制样式 |
2.1.1 FSK调制 |
2.1.2 PSK调制 |
2.1.3 QAM及 APSK调制 |
2.1.4 信噪比 |
2.2 信号特征 |
2.2.1 高阶累积量 |
2.2.2 小波变换 |
2.2.3 循环平稳特征 |
2.2.4 信号子空间分解 |
2.3 本章小结 |
第3章 信噪比估计 |
3.1 M2M4 信噪比估计算法 |
3.2 均值方差信噪比估计算法 |
3.3 子空间分解信噪比估计算法 |
3.3.1 子空间分解差分梯度算法 |
3.3.2 子空间分解差分比值算法 |
3.4 本章小结 |
第4章 信号调制样式分类 |
4.1 基于高阶累积量的调制分类 |
4.1.1 调制信号的高阶累积量 |
4.1.2 常见高阶累积量分类方法 |
4.2 基于小波变换的调制分类 |
4.2.1 调制信号的小波变换 |
4.2.2 常见小波变换分类方法 |
4.3 熵值 |
4.4 联合特征的调制样式分类 |
4.4.1 调制信号分类的特征总结 |
4.4.2 联合特征分类算法 |
4.5 本章小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(9)大规模低功耗物联网反射通信系统设计与优化(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 反向散射信号的原理 |
1.2.2 反向散射信号的频移 |
1.2.3 反向散射通信的国内外发展现状 |
1.3 论文研究内容与章节安排 |
1.3.1 研究内容 |
1.3.2 章节安排 |
第2章 反向散射通信系统底层设计 |
2.1 通信系统构成 |
2.2 通信节点(Tag)的功能模块设计 |
2.2.1 Tag的组成 |
2.2.2 Tag的阻抗匹配 |
2.2.3 Tag的能量收集与升压稳压 |
2.2.4 Tag的数字解调 |
2.3 通信节点(Tag)的微控器设计 |
2.3.1 微控器的原理 |
2.3.2 微控器的设计 |
2.4 通信节点(Tag)的仿真 |
2.4.1 匹配网络仿真 |
2.4.2 能量收集仿真 |
2.4.3 信号解调仿真 |
2.5 本章小结 |
第3章 通信协议设计 |
3.1 发送端信号设计 |
3.2 Tag信号调制设计 |
3.2.1 反向散射通信原理 |
3.2.2 反向散射信号的优化与表现 |
3.2.3 OOK调制 |
3.3 Tag信号编码设计 |
3.3.1 Tag编码方式 |
3.3.2 CDMA编码 |
3.3.3 编码与调制的组合 |
3.4 本章小结 |
第4章 通信接收端设计 |
4.1 接收端信号还原原理 |
4.2 反射信号检测 |
4.3 CDMA解码 |
4.3.1 CDMA解码原理与方法 |
4.4 本章小结 |
第5章 通信系统性能测试 |
5.1 Tag性能测试 |
5.1.1 Tag匹配网络测试 |
5.1.2 Tag获能测试 |
5.1.3 Tag信号解调测试 |
5.2 反向散射信号接收测试- |
5.2.1 距离测试 |
5.2.2 采样数目测试 |
5.3 通信系统测试 |
5.4 本章小结 |
第6章 通信系统优化与展望 |
6.1 通信系统优化 |
6.2 工作总结与未来展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(10)基于迁移学习的自动调制识别研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 本文主要研究内容和创新点 |
1.3.1 主要研究内容 |
1.3.2 创新点 |
1.4 论文的组织结构 |
第二章 基于迁移学习的自动调制识别研究 |
2.1 自动调制识别概念 |
2.2 辅助特征提取的自动调制识别研究 |
2.2.1 基于循环矩的特征提取 |
2.2.2 传统机器学习理论 |
2.3 基于深度学习的自动调制识别研究 |
2.3.1 深度学习理论及其发展史 |
2.3.2 基于深度学习的自动调制识别研究现状 |
2.4 基于迁移学习的自动调制识别研究 |
2.4.1 迁移学习理论及方法框架 |
2.4.2 基于迁移学习的自动调制识别研究现状 |
2.4.3 参数迁移方法归纳 |
2.5 评估验证标准 |
2.5.1 性能评估指标 |
2.5.2 模型评价标准 |
2.6 本章小结 |
第三章 基于对抗式迁移学习的自动调制识别 |
3.1 前言 |
3.2 对抗式迁移学习模型 |
3.3 实验准备 |
3.3.1 信号损伤类型简介 |
3.3.2 数据库 |
3.3.3 基准分类模型结构 |
3.4 实验结果分析 |
3.4.1 ATLA迁移学习性能 |
3.4.2 模型性能比较 |
3.4.3 分类误差分析 |
3.5 本章小结 |
第四章 跨模型地对抗式迁移学习的自动调制识别 |
4.1 引言 |
4.2 跨模型地对抗式迁移学习模型 |
4.3 实验准备 |
4.3.1 数据库 |
4.3.2 域和任务的定义 |
4.3.3 基准分类模型结构 |
4.4 实验结果分析 |
4.4.1 CATLA迁移学习性能 |
4.4.2 模型性能比较 |
4.4.3 分类误差分析 |
4.5 模型影响因子 |
4.5.1 超参数α影响因子 |
4.5.2 基准分类模型结构 |
4.6 CATLA与ATLA比较 |
4.6.1 模型性能比较 |
4.6.2 模型复杂度比较 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 未来工作展望 |
参考文献 |
附录 |
1 ATLA算法的训练过程伪代码 |
2 CATLA算法的训练过程伪代码 |
致谢 |
作者攻读学位期间发表的学术论文目录 |
四、通信信号调制方式自动识别与数字解调技术(论文参考文献)
- [1]基于OFDM的宽带电力载波通信系统关键技术研究[D]. 林佳祥. 浙江大学, 2021(01)
- [2]基于机器学习的大动态信噪比下调制模式识别方法研究[D]. 周思洋. 哈尔滨工业大学, 2021
- [3]基于短时傅里叶变换和卷积神经网络的OFDM信号调制识别方法研究[D]. 白旭天. 西安理工大学, 2021(01)
- [4]基于深度学习的通信信号调制识别技术研究[D]. 回奕. 哈尔滨工业大学, 2021
- [5]基于WFRFT的载波体制键控技术研究[D]. 李志洋. 哈尔滨工业大学, 2021
- [6]数字调制方式盲识别的研究与实现[D]. 赖政阳. 北京邮电大学, 2021(01)
- [7]基于深度学习的卫星信号调制样式识别算法研究[D]. 崔凯. 中国科学院大学(中国科学院国家空间科学中心), 2021(01)
- [8]空间目标无线电辐射特性研究[D]. 闫文康. 中国科学院大学(中国科学院国家空间科学中心), 2021(01)
- [9]大规模低功耗物联网反射通信系统设计与优化[D]. 徐玥. 中国科学技术大学, 2021(08)
- [10]基于迁移学习的自动调制识别研究[D]. 卜可. 北京邮电大学, 2021(01)