摘要
近年来，随着通信行业的快速发展，非协作通信系统中的调制识别技术越来越被人们所重视，从而成为了众多学者的研究热点。因此，本文针对非协作通信中信号调制识别技术展开研究，具体的研究工作及成果如下： 1.提出了一种基于高阶累积量和分数阶小波变换的调制识别方法。该方法将分数阶小波变换这一信号分析工具应用于调制识别中，先对接收信号进行七层分数阶小波分解，再将各层小波系数的细节分量相加构造特征参数，与信号的四阶及六阶累积量特征相结合，通过设置判决门限构建决策树分类器对信号进行识别。经仿真分析，在SNR为4dB时识别率达到90%以上，并在SNR大于8dB后接近100%，在SNR为-10dB~0dB的范围内，同其他三种采用高阶累积量与小波变换等特征相结合的识别方法相比，本文方法的识别率最高，证明了基于分数阶小波变换特征具有良好的抗噪性，该方法仅用三个特征参数就完成了十种数字调制信号的分类识别。 2.提出了一种基于麻雀优化算法-极限学习机(SparrowSearchAlgorithm-ExtremeLearningMachine,SSA-ELM)的调制识别方法。该方法是对上述决策树识别法的改进，考虑到使用决策树分类器需要人工设置判决门限，因此选择极限学习机作为分类器，同时为进一步提高低信噪比下的信号识别率，利用SSA算法对ELM的参数进行优化。仿真结果表明，与未经优化的ELM相比，SSA-ELM的识别性能提升明显，在-10dB~0dB的低信噪比下，SSA-ELM的平均识别率比决策树高出30.4%，通过与传统的遗传算法进行对比，也证明SSA具有更好的优化性能。此外，利用USRP采集的实测信号数据对基于SSA-ELM、ELM以及决策树的三种方法分别进行了性能验证。 3.提出一种基于CBDDNN(Convolutional,Bi-directionalLongShort-TermMemory,DeepResidualShrinkageModule,DeepNeuralNetworks)的端到端识别网络。首先将一维卷积分别与长短期记忆网络(LongShortTermMemory,LSTM)及其两个变体：门控循环单元(GatedCycleUnit,GRU)和双向长短期记忆网络(Bi-directionalLongShort-TermMemory,Bi-LSTM)相结合，构造了CNN-LSTM、CNN-GRU以及CNN-BiLSTM三个网络，采用仿真数据集和公开数据集RML2016.a分别验证三个网络的识别性能，其中CNN-BiLSTM的最高识别率达到91%以上。之后，为进一步提升低信噪比识别率，在CNN-BiLSTM中加入具有软阈值降噪功能的残差收缩模块(DeepResidualShrinkageModule,DRSM)，得到改进后的CBDDNN，在-10dB~0dB信噪比范围内，该网络在仿真数据集和RML2016.10a数据集的识别率比CNN-BiLSTM分别提高了0.29%和2.63%。将CBDDNN用于USRP实测信号识别中，最高识别率达到96.5%。
NETL