基于机器学习的调制样式识别算法研究

发布时间：2023-03-23 18:11

　　调制样式识别是非协作通信过程中重要环节,是完成解调进而获取信息的前提,常用于电子侦察、电子干扰和频谱监管等,有着重要的军用和民用价值。近年来,机器学习发展迅速,受到广泛关注。机器学习有着强大的分类性能,因此本文主要研究基于机器学习的调制样式识别算法。首先,为了提高基于模式识别和单分类器的调制样式识别算法性能,针对16APSK、32APSK、16QAM、32QAM、BPSK、QPSK和8PSK信号识别,研究了基于集成学习的调制样式识别算法。提出了多个高阶累积量组合的特征参数,仿真结果表明,所提出的特征参数优于传统的基于两累积量比值形式的特征参数。为了提高单个分类器识别率和泛化能力,分别提出了采用集成分类器Adaboost的HOCAB算法和采用随机森林(RF)的HOCRF算法。仿真结果表明,采用了集成学习的HOCAB算法和HOCRF算法的识别性能优于采用决策树的HOCDT算法,HOCRF与HOCDT的运算时间几乎一样多,远低于HOCAB算法。其次,为克服基于统计模式识别的调制样式识别算法性能对特征参数的依赖性,利用深度学习强大的信号特征提取能力,研究了基于深度学习的调制样式识别算法。分别研...

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
缩略语对照表
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 传统调制样式识别
        1.2.2 基于机器学习的调制样式识别
    1.3 本文主要工作及章节安排
        1.3.1 本文主要工作
        1.3.2 本文章节安排
第2章 基于集成学习的调制样式识别算法
    2.1 引言
    2.2 基于多个HOC组合的特征参数
    2.3 基于决策树的调制样式识别算法
    2.4 基于Adaboost的调制样式识别算法
    2.5 基于RF的调制样式识别算法
    2.6 算法仿真与性能分析
    2.7 本章小结
第3章 基于深度学习的调制样式识别算法
    3.1 引言
    3.2 深度学习基本理论
        3.2.1 神经网络基本结构
        3.2.2 反向传播算法
        3.2.3 深度学习中的正则化策略
    3.3 基于LSTM的调制样式识别算法
        3.3.1 LSTM基本理论
        3.3.2 LSTM算法设计
        3.3.3 LSTM算法仿真与性能分析
    3.4 基于CNN的调制样式识别算法
        3.4.1 CNN基本理论
        3.4.2 CNN算法设计
        3.4.3 CNN算法仿真与性能分析
    3.5 基于CNN于LSTM结合的调制样式识别算法
        3.5.1 CLP算法设计
        3.5.2 CLP算法仿真与性能分析
    3.6 基于集成异构神经网络的调制样式识别算法
        3.6.1 算法设计
        3.6.2 HNBagging算法仿真与性能分析
    3.7 本章小结
第4章 基于迁移学习的调制样式识别算法
    4.1 引言
    4.2 算法设计
        4.2.1 迁移学习原理
        4.2.2 模型设计
    4.3 算法训练
    4.4 算法仿真与性能分析
        4.4.1 实验数据集
        4.4.2 仿真实验结果
    4.5 本章小结
第5章 总结与展望
致谢
参考文献
附录



本文编号：3768495