基于卷积神经网络的无线电广播同频干扰检测

针对无线电干扰中较为突出的同频干扰问题,将深度学习应用于干扰信号检测,提出一种无线电调频广播同频干扰检测算法。将调频广播数据转化为能体现信号特性的小波变换时频图,并将其作为卷积神经网络(CNN)的训练数据,训练CNN学习信号的时频特征,得到干扰检测模型。实验结果表明,与传统的机器学习算法相比,该算法能更准确地检测出广播信号中是否存在同频干扰信号,其干扰检测准确率达95.0%。     

基于卷积神经网络的多进制相位调制信号识别算法

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。     

基于通信信号时频特性的卷积神经网络调制识别

在通信环境日益密集、信号调制样式层出不穷的情况下,信号的调制识别变得愈加困难。寻求一种高精度、时效性好的自动调制识别新方法,对无线电通信应用领域有重大意义。对此,文中提出了一种结合通信信号时频特性的卷积神经网络(Convolutional Neural Network Based on Time-Frequency Characteristics,TFC-CNN)调制识别算法。首先,采集大量调制信号,将信号的时频特征通过短时傅里叶变换转换成图像特征,并将其作为网络的输入;然后,设计一种特征提取能力更强、参数更少的卷积神经网络,通过改进网络中不同层的连结方式来增加网络的特征提取能力,同时通过减小卷积核的尺度、使用全局均值池化层来减少模型参数,提高了模型的时效性;最后,在网络中添加批归一化(Batch Normalization,BN)层,在增加模型稳定性的同时防止模型出现过拟合。实验结果表明,所提算法在参数和训练时间上比传统方法明显减少,同时有更高的准确率,体现了所提算法的优越性。