关键词:
调制识别
脉冲噪声
米德尔顿A类噪声
卷积神经网络
摘要:
自适应调制可以根据信道的变化动态地调整调制方式,从而最大化利用信道传输能力。调制识别是在自适应调制后在接收端判别出调制方式,并且为解调器正确选择解调算法的关键步骤。传统调制识别算法大多适用于加性高斯白噪声信道场景,然而在很多通信场景中除了高斯噪声外,还存在具备脉冲特性的非高斯噪声,目前最常用的噪声模型包括米德尔顿A类(Middleton Class A)噪声模型,对称α稳定分布(symmetricαstable,SαS)噪声模型,高斯混合模型,其中最典型的米德尔顿A类噪声模型。过往研究成果在遇到脉冲噪声条件下,通常较难实现有效调制识别,因此本文将米德尔顿A类噪声系统中的调制识别方案作为主要研究方向。考虑到这些脉冲噪声的概率密度函数较为复杂,本文提出了一种依靠卷积神经网络实现调制识别的算法。为了充分提取信号的调制特征,本文采用双层卷积块结构,每个卷积块内部包含卷积层、归一化层、激励层和池化层四部分,经过两次卷积的结果送入全连接层和Softmax层,最终得到调制模式的概率值,进而有效地识别出发送端的调制方式。在实际仿真过程中,随着训练的进行,接收端准确率逐步提升。通过观察BPSK、QPSK、8PSK、16QAM这四种调制方案在不同信噪比下的识别准确率,发现所提出的方案的调制识别准确性始终优于单个卷积块网络,在1 dB左右的SNR的条件下便可以达到接近100%的训练准确率。实验结果表明,此方案的识别准确率优于其他识别方案,且在另外两种典型噪声模型条件下仍具有较高识别准确,充分验证了算法的有效性和实用价值。