导读:本文包含了调制识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,特征,卷积,信号,向量,算法,参数。
调制识别论文文献综述
陈义敏[1]（2019）在《浅谈卫星通信常用调制方式的自动识别》一文中研究指出我国的航天卫星通信技术发展迅速,并且在国际中处于领先水平,为此便要进一步加强卫星通信的自动识别体系。在本文中将对卫星通信常用调制方式的自动识别流程中,其所具有的频率特征与分类特征参数进行简介,并浅谈特征参数的选取以及相应的识别与操作流程,以此来推动卫星通信技术的发展。(本文来源于《科技风》期刊2019年34期）
刘桥平,邱昕,郭瑞[2]（2019）在《基于深度神经网络的自动调制识别》一文中研究指出自动调制识别在认知无线电、智能解调器、电子侦察等各种民用及军事应用中扮演重要角色。自动调制识别属于分类问题,常见的方法有KNN、DT、SVM、CNN。为了提高自动调制识别的准确度,基于GNU Radio生成20种信噪比8种调制类型的IQ数据集,训练深度神经网络模型RESNET进行分类测试。实验结果显示自动调制识别的分类准确度提高了近12%。证明了RESNET适用于自动调制识别,可以满足工程需求。(本文来源于《电子设计工程》期刊2019年23期）
杨洁,惠雨晨[3]（2019）在《一种BP-IA数字调制方式识别方法》一文中研究指出为提高数字调制方式的识别速度和准确率,提出一种基于免疫算法(IA)的反向后传(BP)神经网络数字调制方式识别算法。首先对信号的特征进行分析和提取,其次利用具有全局搜索能力的免疫算法优化BP神经网络的权重及阈值,最后利用Levenberg-Marquardt算法训练BP网络。文中不仅给出了详细的算法分析,同时进行了仿真实验。实验结果表明,所提方法的收敛速度明显优于传统的BP算法和遗传算法,在信噪比大于-2 dB时,所提方法的平均识别准确率也优于传统的BP算法和遗传算法。所提免疫优化算法在训练多层前向神经网络时可有效地避免BP算法易陷入局部极小,且算法收敛速度快,具有精确的全局寻优性能,进而提高了数字调制方式的识别准确率。(本文来源于《现代电子技术》期刊2019年23期）
董重重,何行,孙秉宇,谢玮,蔡兵兵[4]（2019）在《基于SVM的载波通信调制信号识别方法研究》一文中研究指出针对当前对低压电力线载波通信调制信号识别过程中出现选取特征困难、选取特征不恰当、识别准确率低的问题,提出特征选择——支持向量机(support vector machine, SVM)的调制信号识别方法。通过采集电力线载波通信芯片发送的调制信号样值,经预处理去噪、滤波后选取调制信号多个特征,使用特征选择工具——FEAST,从多个特征集中找出最能标识数据特征集的特征子集,利用SVM方法对特征子集进行判决归类,并将分类识别后的结果与传统神经网络进行比较。仿真结果表明,所提出的方法选取特征与原有方法相比更为简单准确,其识别准确率较传统神经网络有明显提升,调制信号识别准确率达到98%以上,且收敛速度相比更快,可为多特征下低压电力线载波通信调制信号识别提供参考。(本文来源于《中国测试》期刊2019年11期）
查雄,彭华,秦鑫,李天昀,李广[5]（2019）在《基于循环神经网络的卫星幅相信号调制识别与解调算法》一文中研究指出针对卫星通信中常用的幅相调制信号,提出了一种基于循环神经网络的信号识别与解调模型.通过循环神经单元直接对信号时序进行深层特征提取,结合全连接神经网络对特征进行维度映射,最终完成目标信号的调制识别与解调.该方法不需要预估目标信号载噪比,克服了人为确定阈值的缺陷,对信号频偏误差、定时误差容忍能力强;且在开发维护和更新拓展方面,克服了传统算法需重新部署判决规则的缺点,符合实际工程需求.仿真实验表明,当网络训练达到稳态时,在信噪比为6dB的条件下,目标信号识别率接近98%,解调误码率接近理论门限.本文所建立的理论形式为当今智能化信号处理提供了新思路,其思想同样可应用于其他通信信号处理领域.(本文来源于《电子学报》期刊2019年11期）
翁建新,赵知劲,占锦敏[6]（2019）在《多个高阶累积量组合的调制样式识别算法》一文中研究指出利用2个高阶累积量之比构造的特征参数代表的信号特征通常有限,基于此类特征参数的调制样式识别性能有待进一步提高。为此,提出多个高阶累积量组合的调制样式识别算法。采用2个累积量和/差的归一化来构造特征参数,充分利用多个高阶累积量信息,使之包含更多的信号特性;并使用随机森林作为分类器,克服弱分类器存在的过拟合问题。仿真结果表明:提出的特征参数对调制样式的识别性能优于归一化累积量的特征参数,随机森林分类性能优于弱分类器。(本文来源于《杭州电子科技大学学报(自然科学版)》期刊2019年06期）
吴佩军,侯进,吕志良,刘雨灵,徐茂[7]（2019）在《基于卷积神经网络的多进制相位调制信号识别算法》一文中研究指出由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类。针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法。将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别。该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征。为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化。与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现。实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性。(本文来源于《计算机应用与软件》期刊2019年11期）
王小卉,黄贞,谭莹[8]（2019）在《基于CAF-SVM的调制信号识别方法》一文中研究指出循环平稳算法对调制信号的解调性能优。利用该优势,将循环统计量引入机器学习,提出了基于CAF-SVM(CAF为循环自相关函数;SVM为支持向量机)的信号识别方法。首先,对盲源信号进行循环平稳解调,得出信号特征频率;然后,根据特征频率构建CAF统计量进行特征提取,并将训练样本输入SVM构建分类器。试验结果表明,该方法能够精准抓住信号特点,有良好抗噪性,在噪声干扰下依然能很好识别频率相近、结构相似的调制信号,性能优于样本熵-SVM分类器。(本文来源于《指挥信息系统与技术》期刊2019年05期）
吕荧[9]（2019）在《一种基于深度神经网络的调制盲识别方法》一文中研究指出调制识别技术在民用和军事领域中都具有非常重要的意义。判识信号的调制类型,是实现通信信号正确接收解调的前提。针对低信噪比下的数字调制信号类型识别问题,提出了一种基于深度神经网络的调制识别方法。该方法采用特征提取新思路,在计算处理中进行了融合,具有良好的稳健性和抗噪性。此外,改进分级判决方法,引入分层模型结构,扩展了适用范围。最后,通过计算机仿真验证了新方法结果的有效性,且其识别正确率高,具有工程实用性,性能也优于过去的一些算法。(本文来源于《通信技术》期刊2019年11期）
茆旋宇,郑子扬,王佩,郭涛,鲁加战[10]（2019）在《基于深度卷积网络的PRI调制模式识别方法》一文中研究指出基于数据驱动的思想,采用深度卷积神经网络实现对雷达信号PRI调制模式的识别。仅使用测量数据,对包含复合调制在内的8种复杂调制模式,分别针对存在不同程度干扰脉冲、丢失脉冲、测量噪声以及小样本脉冲环境的影响下的测量数据进行实验。实验结果表明,该方法在上述4种环境中仍具有良好的PRI调制模式识别能力。(本文来源于《航天电子对抗》期刊2019年05期）
调制识别论文开题报告
（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：
自动调制识别在认知无线电、智能解调器、电子侦察等各种民用及军事应用中扮演重要角色。自动调制识别属于分类问题,常见的方法有KNN、DT、SVM、CNN。为了提高自动调制识别的准确度,基于GNU Radio生成20种信噪比8种调制类型的IQ数据集,训练深度神经网络模型RESNET进行分类测试。实验结果显示自动调制识别的分类准确度提高了近12%。证明了RESNET适用于自动调制识别,可以满足工程需求。
（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。
调制识别论文参考文献
[1].陈义敏.浅谈卫星通信常用调制方式的自动识别[J].科技风.2019
[2].刘桥平,邱昕,郭瑞.基于深度神经网络的自动调制识别[J].电子设计工程.2019
[3].杨洁,惠雨晨.一种BP-IA数字调制方式识别方法[J].现代电子技术.2019
[4].董重重,何行,孙秉宇,谢玮,蔡兵兵.基于SVM的载波通信调制信号识别方法研究[J].中国测试.2019
[5].查雄,彭华,秦鑫,李天昀,李广.基于循环神经网络的卫星幅相信号调制识别与解调算法[J].电子学报.2019
[6].翁建新,赵知劲,占锦敏.多个高阶累积量组合的调制样式识别算法[J].杭州电子科技大学学报(自然科学版).2019
[7].吴佩军,侯进,吕志良,刘雨灵,徐茂.基于卷积神经网络的多进制相位调制信号识别算法[J].计算机应用与软件.2019
[8].王小卉,黄贞,谭莹.基于CAF-SVM的调制信号识别方法[J].指挥信息系统与技术.2019
[9].吕荧.一种基于深度神经网络的调制盲识别方法[J].通信技术.2019
[10].茆旋宇,郑子扬,王佩,郭涛,鲁加战.基于深度卷积网络的PRI调制模式识别方法[J].航天电子对抗.2019
论文知识图
