文章所提國內(nèi)外現(xiàn)狀

通信信號(hào)識(shí)別應(yīng)用方面，許多學(xué)者采用SVM對(duì)提取的特征進(jìn)行分類，如利用通信信號(hào)的循環(huán)平穩(wěn)性質(zhì)構(gòu)造循環(huán)累積量域內(nèi)的信號(hào)分類特征矢量，采用支持矢量機(jī)將分類特征矢量映射到高維空間并構(gòu)建最優(yōu)分類超平面，實(shí)現(xiàn)對(duì)多類數(shù)字調(diào)制信號(hào)的自動(dòng)識(shí)別 （上一篇文章用到的） ；或通過小波變換將輸入信號(hào)映射到一個(gè)高維特征空間，再利用支持向量機(jī)對(duì)數(shù)字調(diào)制信號(hào)進(jìn)行分類。還有【1】采用 隨機(jī)森林算法 對(duì)雷達(dá)信號(hào)的時(shí)頻圖像特征進(jìn)行脈內(nèi)調(diào)制識(shí)別；【2】利用 反向傳播神經(jīng)網(wǎng)絡(luò) 分別對(duì)基于 小波變換 提取的特征和基于 領(lǐng)域粗糙集屬性快速約簡(jiǎn)算法 選擇的調(diào)制特征參數(shù)進(jìn)行信號(hào)識(shí)別。

• 大多停留在淺層學(xué)習(xí)層面，即利用機(jī)器學(xué)習(xí)算法完成通信系統(tǒng)任務(wù)中的識(shí)別、檢測(cè)、估計(jì)等任務(wù)，用于識(shí)別、檢測(cè)的特征仍采用專家特征，不僅需要大量的人力且依賴于專業(yè)的知識(shí)和分析，同時(shí)不便于推廣。深度學(xué)習(xí)與傳統(tǒng)模式識(shí)別方法的最大區(qū)別在于它從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征，而非采用手工設(shè)計(jì)的專家特征。

問題綜述

• 淺層學(xué)習(xí)如支持向量機(jī)、最大熵方法、提升方法等對(duì)人工分析獲取的不具有層次結(jié)構(gòu)的單層樣本特征進(jìn)行學(xué)習(xí)，而深度學(xué)習(xí)則通過構(gòu)建多個(gè)非線性操作層獲取原始信號(hào)經(jīng)逐層特征變換得到層次化的特征表示，深度學(xué)習(xí)獲得的特征不依賴于人工分析，是自主學(xué)習(xí)得到的。基于無監(jiān)督特征學(xué)習(xí)和特征層次結(jié)構(gòu)的深度學(xué)習(xí)算法能夠很好地解決傳統(tǒng)機(jī)器學(xué)習(xí)過程中由依賴于人工設(shè)計(jì)特征帶來的實(shí)際操作困難、局限性大的問題，從而大大提高識(shí)別系統(tǒng)的性能。
  ①受限波爾茲曼機(jī)(RBM)②Gibbs采樣與對(duì)比散度算法③卷積受限波爾茲曼機(jī)（CRBM)④深度信念網(wǎng)絡(luò)關(guān)鍵算法

基于短時(shí)傅里葉變換機(jī)制的特征學(xué)習(xí)網(wǎng)絡(luò)（深度學(xué)習(xí) 先略過）

基于小波變換機(jī)制的特征學(xué)習(xí)網(wǎng)絡(luò)（同略）

基于深度學(xué)習(xí)的通信信號(hào)識(shí)別與檢測(cè)(未細(xì)看）

對(duì)2ASK、4ASK、2FSK、GFSK、16QAM、OQPSK六類調(diào)制信號(hào)進(jìn)行識(shí)別。
利用基于CRBM的STFT特征學(xué)習(xí)網(wǎng)絡(luò)和基于RBM的STFT特征學(xué)習(xí)網(wǎng)絡(luò)分別構(gòu)建了完整的數(shù)字調(diào)制識(shí)別網(wǎng)絡(luò)，考察三種傳統(tǒng)算法和兩種基于深度神經(jīng)網(wǎng)絡(luò)的算法）在不同的信噪比下對(duì)六種調(diào)制信號(hào)的識(shí)別精度，驗(yàn)證了本文提出的基于深度神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)網(wǎng)絡(luò)的優(yōu)越性，并通過比較網(wǎng)絡(luò)的訓(xùn)練、測(cè)試速度證明了基于RBM的特征學(xué)習(xí)網(wǎng)絡(luò)在計(jì)算復(fù)雜度的優(yōu)勢(shì)。最后，針對(duì)無線通信信道中的信號(hào)檢測(cè)問題，基于直接型和間接型DWT特征學(xué)習(xí)網(wǎng)絡(luò)分別構(gòu)建了完整的信號(hào)檢測(cè)網(wǎng)絡(luò)，考察直接型特征學(xué)習(xí)網(wǎng)絡(luò)輸出特征、不同組成的間接型特征學(xué)習(xí)網(wǎng)絡(luò)輸出特征和傳統(tǒng)小波變換提特征對(duì)信號(hào)檢測(cè)識(shí)別準(zhǔn)確率的影響。

總結(jié)

針對(duì)傳統(tǒng)算法中專家特征提取算法的場(chǎng)景局限性、人工分析成本高等問題，本文創(chuàng)新地將深度學(xué)習(xí)網(wǎng)絡(luò)引進(jìn)通信信號(hào)的特征提取中，利用多層非線性網(wǎng)絡(luò)獲得抽象的高層特征表示和屬性類別特征等，并利用深層特征實(shí)現(xiàn)通信信號(hào)的高精度分類與識(shí)別。
從注意力機(jī)制的提出原理中獲得啟發(fā)，提出基于基本的通信信號(hào)時(shí)頻分析方法構(gòu)造更適用于通信信號(hào)識(shí)別場(chǎng)景的深度學(xué)習(xí)網(wǎng)絡(luò)，包括引入時(shí)傅立葉變換機(jī)制和離散小波變換機(jī)制構(gòu)建基于通信信號(hào)深度特征學(xué)習(xí)網(wǎng)絡(luò)和信號(hào)識(shí)別網(wǎng)絡(luò)。對(duì)于深度學(xué)習(xí)網(wǎng)絡(luò)而言，網(wǎng)絡(luò)復(fù)雜度也是一個(gè)重要性能指標(biāo)，網(wǎng)絡(luò)越復(fù)雜，對(duì)硬件的要求越高，網(wǎng)絡(luò)訓(xùn)練和運(yùn)算執(zhí)行的速度也會(huì)越慢。為了降低深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)高性能硬件的要求，加快網(wǎng)絡(luò)訓(xùn)練速度，本文改進(jìn)了基于卷積受限玻爾茲曼機(jī)實(shí)現(xiàn)的基于短時(shí)傅立葉變換機(jī)制的特征學(xué)習(xí)網(wǎng)絡(luò)，通過分析網(wǎng)絡(luò)模型的計(jì)算過程，適當(dāng)調(diào)整網(wǎng)絡(luò)層順序和網(wǎng)絡(luò)結(jié)構(gòu)，利用非卷積網(wǎng)絡(luò)實(shí)現(xiàn)相同的數(shù)據(jù)計(jì)算處理過程，從而大大降低網(wǎng)絡(luò)復(fù)雜度，提升網(wǎng)絡(luò)訓(xùn)練速度。
缺點(diǎn)：數(shù)據(jù)集仿真生成/深度學(xué)習(xí)處理數(shù)據(jù)為實(shí)數(shù)信號(hào)(通信信號(hào)分析和處理一般為復(fù)數(shù)信號(hào))
許多值得研究的內(nèi)容，如：利用深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建完整的無線通信系統(tǒng)、利用深度學(xué)習(xí)算法構(gòu)建多類型通信信號(hào)濾波器等。在后續(xù)的研宄中，除了需要采集實(shí)際數(shù)據(jù)集進(jìn)行深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試外，我們將進(jìn)一步模擬通信信號(hào)循環(huán)譜特征的提取方法，構(gòu)建新的通信信號(hào)特征學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，并將其應(yīng)用于更復(fù)雜多樣的調(diào)制方式識(shí)別等問題中。

[3]周江. 基于神經(jīng)網(wǎng)絡(luò)的通信信號(hào)調(diào)制識(shí)別研究及實(shí)現(xiàn)[D]. CNN LSTM長(zhǎng)短時(shí)記憶

全文概述

神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

通信信號(hào)調(diào)制模式及特征抽取

• 我們必須組合全部特征來對(duì)我們的調(diào)制信號(hào)進(jìn)行分類。人工神經(jīng)網(wǎng)絡(luò)正是基于這樣一個(gè)假設(shè)“一個(gè)信號(hào)的各類特征經(jīng)過線性組合再經(jīng)過非線性映射就能得到它的調(diào)制模式標(biāo)簽”來對(duì)我們的信號(hào)進(jìn)行調(diào)制模式識(shí)別的。

淺層神經(jīng)網(wǎng)絡(luò)通信信號(hào)調(diào)制識(shí)別器的設(shè)計(jì)與實(shí)現(xiàn)

• 輸入是通信信號(hào)的特征向量，輸出是其相應(yīng)的調(diào)制模式類別標(biāo)簽。
• 通過第三章的描述可知，我們?cè)诜治鲋胁捎玫男盘?hào)特征包括 5 個(gè)譜特征和 12 個(gè)累積量特征，那么對(duì)每個(gè)信號(hào)就可以由一個(gè) 17 維度的特征向量來描述，因此我們?cè)O(shè)置輸入層神經(jīng)元數(shù)目為 17。因?yàn)槲覀冃枰M(jìn)行識(shí)別的調(diào)制信號(hào)共七類，因此我們?cè)O(shè)置輸出層神經(jīng)元數(shù)目為 7。
• ReLU激活函數(shù)用于隱藏層神經(jīng)元的激活。Softmax 激活函數(shù)作用于輸出神經(jīng)層神經(jīng)元。損失函數(shù)就可以明確的設(shè)計(jì)為交叉熵?fù)p失函數(shù)。對(duì)數(shù)據(jù)的真實(shí)標(biāo)簽進(jìn)行獨(dú)熱編碼。（對(duì)于樣本的真實(shí)標(biāo)簽，也必須轉(zhuǎn)換為一個(gè)相同維度的概率分布向量才能計(jì)算交叉熵?fù)p失。正好，獨(dú)熱編碼能達(dá)到這樣的目的）
• CPU很擅長(zhǎng)處理串行的復(fù)雜的邏輯運(yùn)算任務(wù)；而 GPU 則特別適合處理高并行的計(jì)算密集型任務(wù)，尤其是SIMD 的任務(wù)。對(duì)于神經(jīng)網(wǎng)絡(luò)而言，則是一個(gè)典型的 SIMD 任務(wù)。但是 GPU 的工作需要在 CPU 的引導(dǎo)下完成，也就是說 CPU 和 GPU 構(gòu)成一對(duì) master 和 slaver，本章后續(xù)的內(nèi)容就主要介紹在 CPU 和 GPU 平臺(tái)上協(xié)同實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)

https://blog.csdn.net/sean_xyz/article/details/44156215 SIMD任務(wù)含義

基于深度學(xué)習(xí)技術(shù)的通信信號(hào)調(diào)制識(shí)別研究 （卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)-LSTM）

• 在淺層的神經(jīng)網(wǎng)絡(luò)中，我們需要從原始的通信信號(hào)采樣數(shù)據(jù)中人工設(shè)計(jì)和提取特征，用于神經(jīng)網(wǎng)絡(luò)的輸入。要求特征的設(shè)計(jì)者具備良好通信與信號(hào)領(lǐng)域的專業(yè)知識(shí)，這也就是所謂的“特征工程”的一個(gè)弊端。為了避免這個(gè)弊端，我們可以考慮實(shí)現(xiàn)一個(gè)端到端的通信信號(hào)調(diào)制識(shí)別系統(tǒng)，即將原始通信信號(hào)采樣數(shù)據(jù)作為系統(tǒng)輸入，直接輸出信號(hào)的調(diào)制模式，而不必考慮如何設(shè)計(jì)優(yōu)良的特征描述通信信號(hào)。對(duì)機(jī)器而言，這是一種更高層次的學(xué)習(xí)，而深度學(xué)習(xí)技術(shù)給我們提供了這樣的途徑。

總結(jié)

[4] 孫汝峰. 基于高階累積量與譜分析的數(shù)字調(diào)制信號(hào)識(shí)別[D]. 2016.

• 常用的特征提取方法如基于時(shí)域頻域瞬時(shí)特征以及變換域特征等方法。基于變換域特征的方法主要分為兩部分來實(shí)現(xiàn)，第一部分將要識(shí)別的信號(hào)轉(zhuǎn)變到其他特征空間，第二部部分主要分析信號(hào)在新特征空間中的特征并提取出特征參數(shù)，進(jìn)而實(shí)現(xiàn)對(duì)信號(hào)的分類。基于傅里葉變換、小波變換和循環(huán)譜的分類特征就屬于該類方法。
• 傳統(tǒng)的信號(hào)處理一般是采用平穩(wěn)隨機(jī)過程作為研究模型，但實(shí)際信號(hào)經(jīng)過諸如采樣、掃描、編碼、調(diào)制等周期性操作后不再具有平穩(wěn)特性，即其統(tǒng)計(jì)參數(shù)諸如平均值和自相關(guān)函數(shù)等不再是時(shí)不變的，而是隨時(shí)間呈現(xiàn)周期特性，該特性也被稱為循環(huán)平穩(wěn)性。

高斯信道下基于高階累積量與二次方譜的數(shù)字調(diào)制信號(hào)的識(shí)別

本文提出了一種基于信號(hào)八階累積量和二次方譜的方法。利用從信號(hào)的八階累積量以及四階累積量中提取的特征參數(shù)對(duì)所要識(shí)別的 12 種信號(hào)進(jìn)行分類，對(duì)于不能直接識(shí)別的QPSK 和 OQPSK、8PSK 和π/4-QPSK 的兩類信號(hào)，本文首先對(duì)該類信號(hào)進(jìn)行差分處理，之后推導(dǎo)出信號(hào)差分后的八階矩和八階累積量，從中提取出兩個(gè)特征參數(shù)，實(shí)現(xiàn)對(duì)這兩類信號(hào)的識(shí)別。由于 2/4/8FSK 信號(hào)的高階累積量值都相同，不能夠利用高階累積量進(jìn)行識(shí)別，本文利用 MFSK 信號(hào)的二次方譜的譜線特征，提取出一個(gè)特征參數(shù)，實(shí)現(xiàn)該類信號(hào)的識(shí)別。本文用了四個(gè)特征參數(shù)實(shí)現(xiàn)了對(duì) 4ASK、2PSK、QPSK、OQPSK、8PSK、π/4-QPSK、2/4/8FSK、8QAM、16QAM、32QAM 等 12 種信號(hào)的識(shí)別。

非高斯信道下基于循環(huán)譜的數(shù)字信號(hào)的調(diào)制識(shí)別

本文提出了一種基于循環(huán)譜的識(shí)別方法：首先將被 Alpha 噪聲污染的數(shù)字信號(hào)進(jìn)行預(yù)處理，以解決 Alpha 噪聲下信號(hào)循環(huán)譜失效的問題，然后對(duì)處理之后的信號(hào)求循環(huán)譜，通過分析各信號(hào)循環(huán)譜的譜線特征，提取出 4 個(gè)特征參數(shù)對(duì)信號(hào)進(jìn)行識(shí)別。仿真結(jié)果表明，在 Alpha 噪聲環(huán)境下，該方法可以實(shí)現(xiàn)對(duì) 2PSK、QPSK、2FSK、4FSK、MSK 五種信號(hào)的識(shí)別，并且取得了較高的識(shí)別率，具有良好的性能。

• Alpha 穩(wěn)定分布是一種廣義化的高斯分布，高斯分布只是它的一個(gè)特例。Alpha 穩(wěn)定分布沒有統(tǒng)一閉式的概率密度函數(shù)，所以在描述它時(shí)經(jīng)常采用特征函數(shù)來描述。
• 實(shí)際應(yīng)用中，通信信號(hào)更接近于一個(gè)周期平穩(wěn)過程，其統(tǒng)計(jì)特性常呈現(xiàn)出時(shí)間的周期性。
• 由于 Alpha 噪聲不存在二階及二階以上的統(tǒng)計(jì)量，所以被 Alpha 噪聲污染的信號(hào)也就不會(huì)存在有效的循環(huán)譜，分析原因主要是因?yàn)?Alpha 噪聲中存在著很大的沖激脈沖，致使受污染后的信號(hào)存在著較大的幅度。

展望

(1）高斯噪聲環(huán)境中，實(shí)現(xiàn)信噪比在 0dB 以下信號(hào)的高識(shí)別率。
(2)對(duì)多徑、瑞利信道下的調(diào)制識(shí)別技術(shù)研究。
(3)第四代移動(dòng)通信的信號(hào)主要是 OFDM 信號(hào)，本文并未對(duì)該信號(hào)進(jìn)行識(shí)別，下一步的研究方向可以針對(duì)復(fù)雜信道環(huán)境下OFDM 信號(hào)的識(shí)別展開研究。
(4)對(duì)于采用高階累積量的分類方法，常常需要知道調(diào)制信號(hào)精確的載頻信息，因此在對(duì)載頻進(jìn)行估計(jì)時(shí)對(duì)估計(jì)算法的要求較高，因此需要對(duì)載頻估計(jì)算法做進(jìn)一步研究。

[5] 吳添. 基于機(jī)器學(xué)習(xí)的數(shù)字信號(hào)解調(diào)與識(shí)別的研究[D]. 2019. （軟件無線電）

總結(jié)

以上是生活随笔為你收集整理的通信信号调制方式识别——综述/硕博的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。