王彥朋 冀寶安 王曉君

摘要：隨著科學(xué)技術(shù)的進(jìn)步，調(diào)制樣式識(shí)別應(yīng)用越來(lái)越廣，信號(hào)調(diào)制是將原始的基帶信號(hào)的頻譜搬移到適合在信道中進(jìn)行 的傳輸?shù)耐◣?nèi)的過(guò)程。大多數(shù)通信系統(tǒng)調(diào)制樣式識(shí)別分為人工手動(dòng)識(shí)別和機(jī)器自動(dòng)識(shí)別，與人工手動(dòng)識(shí)別相比，基于卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別提取數(shù)據(jù)特征的方法不僅識(shí)別率高，而且準(zhǔn)確率更高，因此研究 卷積神經(jīng)網(wǎng)絡(luò)調(diào)制樣式識(shí)別具有非常重大意義。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);調(diào)制樣式識(shí)別;通信信號(hào)

通信信號(hào)的調(diào)制樣式識(shí)別[1]在現(xiàn)代無(wú)線通信存在廣泛的應(yīng)用。在如今復(fù)雜的無(wú)線通信環(huán)境中，通信信號(hào)的信息量越來(lái)越大。研究如何自動(dòng)調(diào)制樣式識(shí)別具有很高的應(yīng)用價(jià)值。其調(diào)制樣式識(shí)別主要研究包括信號(hào)預(yù)處理、特征提取、和分類(lèi)識(shí)別，其流程如圖1所示

4 總結(jié)

本文介紹了使用卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于調(diào)制樣式識(shí)別，對(duì)自動(dòng)調(diào)制樣式識(shí)別[5]進(jìn)行理論推導(dǎo)和實(shí)驗(yàn)驗(yàn)證，證明了卷積神經(jīng)網(wǎng)絡(luò)在調(diào)制樣式識(shí)別具有很強(qiáng)的優(yōu)勢(shì)，卷積神經(jīng)網(wǎng)絡(luò)直接從原始數(shù)據(jù)出發(fā)，利用多層神經(jīng)網(wǎng)絡(luò)找到數(shù)據(jù)的內(nèi)在表達(dá)的有效特征，為后續(xù)設(shè)計(jì)通信信號(hào)調(diào)制樣式識(shí)別系統(tǒng)奠定關(guān)鍵技術(shù)基礎(chǔ)。

參考文獻(xiàn)：

[1]史先銘.通信信號(hào)的特征提取與識(shí)別的算法研究[D].無(wú)錫：江南大學(xué)，2016：14-15.

[2]張晴晴，劉勇，潘接林，顏永紅.基于卷積神經(jīng)網(wǎng)絡(luò)的連續(xù)語(yǔ)音識(shí)別.工程科學(xué)學(xué)報(bào)，2015，37（09）：1212-1217.

[3]N.Srivastava，G.Hinton，A.Krizhevsky，I.Sutskever，and R.Salakhutdinov.Dropout：a simple way to prevent neural networks from overfitting[J].Journal of Machine Learning Research，vol.15，no.1，pp.1929-19-58，2014.

[4]T J.O' Shea，hops：//radioml.com/datasets/radioml-2016-04-dataset/.

[5]Azzous.E.E，Nandi.A.K.Automaticidentificationof digital modulations[J].Signal Pocessing.1995，47（1）：55-69.

作者簡(jiǎn)介：第一作者王彥朋，男，河北石家莊人，碩士研究生導(dǎo)師，河北科技大學(xué)教授，主要研究領(lǐng)域?yàn)殡娮有畔?第二作者冀寶安，男，河北保定人，河北科技大學(xué)碩士研究生，主要研究領(lǐng)域?yàn)樯疃葘W(xué)習(xí)，信號(hào)處理;第三作者王曉君，男，河北張家口人，碩士研究生導(dǎo)師，河北科技大學(xué)教授，主要研究領(lǐng)域?yàn)閷?dǎo)航技術(shù)，模式識(shí)別。