文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.222686
中文引用格式: 錢磊,吳昊,張濤,等. 基于數(shù)值特征與圖像特征融合的調(diào)制識別方法[J].電子技術(shù)應(yīng)用,2022,48(11):89-93.
英文引用格式: Qian Lei,Wu Hao,Zhang Tao,et al. Modulation recognition method based on fusion of numerical features and image features[J]. Application of Electronic Technique,2022,48(11):89-93.
0 引言
在日趨復(fù)雜的電磁環(huán)境中,通常會接收到各種未知信號,該信號可能是己方的,也可能是敵方的,因此需要對信號的各種參數(shù)進行分析,以加強電磁頻譜管控,調(diào)制樣式就是其中一種關(guān)鍵參數(shù)。對非協(xié)作通信中接收信號的調(diào)制樣式的識別與確定是頻譜安全防護技術(shù)的重要一環(huán),在電磁偵察、干擾信號識別、頻譜監(jiān)測等場景中都有著廣泛的應(yīng)用場景和巨大的發(fā)展?jié)摿?,在中低信噪比環(huán)境下進行增強調(diào)制識別率的理論及方法研究是一項很重要的課題。
調(diào)制識別可以看作是一類模式識別問題,其原理就是通過提取樣本的特征進行分類識別,主要包含三大模塊,即預(yù)處理、特征提取和分類識別。常見的信號特征提取方法有:瞬時特征[1]、高階累積特征[2]、小波變換[3]、時頻分析[4]等。決策樹[5]是常用的分類器,該方法易于理解但是泛化能力較差,于是產(chǎn)生了隨機森林(Random Forest,RF)[6]的方法,利用多棵決策樹對樣本進行訓(xùn)練并預(yù)測的,有效地提高了泛化能力,但這兩類方法需人工確定節(jié)點,較為繁瑣。K最鄰近(K-Nearest Neighbors,K-NN)[7]算法使用距離度量將新示例與現(xiàn)有的示例比較,以最近的類標(biāo)進行分類。以上傳統(tǒng)的方法結(jié)構(gòu)簡單,易于理解,但是存在效率低下、惰性學(xué)習(xí)等局限性。目前更多地采用積極學(xué)習(xí)的算法,如支持向量機(Support Vector Machines,SVM)[8],把結(jié)構(gòu)風(fēng)險最小化原則應(yīng)用于分類領(lǐng)域中,擅于處理小樣本和二分類問題;神經(jīng)網(wǎng)絡(luò)(Neural Networks,NN)[9],是模擬人腦功能的一種數(shù)學(xué)模型,在多分類問題中表現(xiàn)更好。此外,相比于淺層結(jié)構(gòu)算法,深度學(xué)習(xí)通過深層非線性網(wǎng)絡(luò)結(jié)構(gòu),提取數(shù)據(jù)的內(nèi)在特征,在圖像識別和語音識別等方面取得了引人矚目的成績。調(diào)制識別和圖像識別及語音信號識別等方面存在很多關(guān)聯(lián)性和相似性,因此采用深度學(xué)習(xí)的方法來解決調(diào)制識別問題是一個切實可行的研究方向。
本文詳細(xì)內(nèi)容請下載:http://ihrv.cn/resource/share/2000005011。
作者信息:
錢 磊1,2,吳 昊1,張 濤1,張 江1
(1.國防科技大學(xué)第六十三研究所,江蘇 南京210007;2.國防科技大學(xué) 電子科學(xué)學(xué)院,湖南 長沙410073)