基于不变散射卷积网络的信号调制模式识别研究

作     者：刘禹震 

作者单位：吉林大学 

学位级别：硕士

导师姓名：孙晓东

授予年度：2023年

学科分类：11[军事学] 12[管理学] 0810[工学-信息与通信工程] 1105[军事学-军队指挥学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 110503[军事学-军事通信学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：调制识别 不变散射卷积网络 深度学习 小波阈值降噪 多任务识别 

摘      要：随着无线技术的快速发展,信号的调制种类与信道环境日趋复杂,在军事和民用领域,精确的识别调制信号变得越来越重要。传统的基于决策理论与特征提取的调制识别方法需要先验信息、人为筛选特征等协助工作,随着深度学习研究的深入,基于神经网络的信号调制识别的方法已被广泛采用。目前大多数深度学习方法对数据依赖性较强,从数据中提取可解释的信息和知识的能力欠佳,因此,在设计神经网络时,需要通过在架构中嵌入与给定预测任务相关的专业信息和物理定律以提高识别稳定性。此外,噪声等干扰对调制信号识别有较大影响,如何减弱噪声的影响,有效提升信号的识别准确率一直是调制识别领域的重要研究课题。针对以上问题,本文将小波信号处理与深度学习相结合,开展基于不变散射卷积网络的信号调制模式识别研究。首先,本文对信号调制原理、神经网络相关理论基础知识进行了概述,分析了基于小波变换构建的不变散射卷积网络的原理与结构组成,为后续不变散射卷积网络与深度学习相结合的调制识别算法奠定理论基础。然后,设计基于不变散射卷积网络的信号调制识别算法,提升信号识别性能:该算法以不变散射卷积网络输出的散射系数为信号的特征表示,使用神经网络分类器对信号进行分类。针对调制信号的特点与不变散射卷积网络提供的特征表示,分析了不变散射卷积网络在调制识别中的适用性;针对输入调制信号的不变散射卷积网络散射系数的特点,设计了特征融合并行神经网络分类器,该分类器包括长短期记忆、子频谱归一化和残差模块,结合了卷积神经网络和循环神经网络在空间与时间特征提取上的优势;为减少噪声对信号识别的干扰,在不变散射卷积网络中集成小波阈值降噪环节。最后,设计了基于信噪比区间划分的多任务信号调制识别算法,提升了调制识别模型在不同信噪比条件下的泛化能力。算法首先将不同信噪比区间下的信号识别视为独立任务,减小信噪比的变化范围进而减弱噪声的影响;然后利用一种基于并行残差神经网络的信噪比区间识别方法对信号进行信噪比区间识别以确定信号所属任务;最后将信号输入至不变散射卷积网络中得到散射系数以提取数据的有效特征,根据信噪比区间识别结果选择对应任务参数独立的分类器对信号进行分类识别。实验结果表明,本文提出的算法能够有效削弱噪声的干扰,信号识别准确率得到有效提升,对调制模式识别领域的研究发展具有重要的参考价值。