基于时频特征的卷积神经网络跳频调制识别

摘要：

针对人工设计特征表征能力不足,提取难度大的问题,提出基于卷积神经网络(CNN)的跳频信号调制方式识别系统.该系统通过训练学习跳频信号时频图特征,将调制方式识别问题转化为图像识别问题.采用组合时频变换方法对跳频信号进行时频变换得到二维时频图;经过自适应维纳滤波算法滤除背景噪声,提高系统抗噪性;采用连通域检测和双线性插值算法提取跳频信号每跳时频图,对时频图大小进行重置调整;将已处理的时频图输入到设计的11层卷积神经网络中进行训练学习,通过在输出层增加Softmax分类器,实现跳频调制方式分类识别.仿真结果表明,该系统在信噪比为–4 dB条件下,对跳频信号BPSK、QPSK、8PSK、SDPSK、QASK、16QAM、32QAM和GMSK共8种调制方式的平均识别率达到92.54％.

关键词：跳频信号、调制识别、卷积神经网络(CNN)、时频变换、卷积层

所属期刊栏目：54

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目;军队研究生资助项目

在线出版日期：2020-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1945-1954