摘要
跳频通信作为现代通信中最重要的通信方法之一，具备良好的抗干扰性、低截获概率及组网能力，在军事及民用通信领域得到了广泛的应用，跳频通信中的跳频信号识别技术也成为目前的研究热点。随着人工智能技术的发展，将卷积神经网络的算法应用到信号识别领域已经成为了主流趋势。 传统的跳频信号识别算法十分依赖于对通信参数的精确估计，频偏、噪声、不同信道等因素会使传统识别算法提取的信号特征带来较大误差，导致在低信噪比情况下信号识别准确率不够理想。卷积神经网络(Convolutional Neural Networks，CNN)是一种深度神经网络，能够提取图像的深层次的特征信息，具有十分优异的分类和识别。为提高针对跳频信号的特征提取能力和分类识别性能，本文对基于卷积神经网络的的跳频信号识别技术进行了深入研究。 在研究卷积神经网络对跳频信号识别的基础上，对跳频信号的时频图像进行提取分析。其中，针对跳频信号时频图像特有的轮廓特征，设计出一种基于跳频时频分析图像的卷积神经网络模型。通过短时傅里叶变换方法获取接收信号时频分布图像，经过对图像进行去噪、灰度化和压缩等预处理，提取信号功率轮廓特征。利用卷积神经网络CNN对功率轮廓特征图像进行训练，实现4种跳频信号的分类识别。 进一步，针对传统跳频信号的识别方法较为单一，低信噪比下识别估计误差较大、受干扰影响较为严重等问题;提出一种基于卷积神经网络的跳频信号识别方法，提取跳频信号的轮廓特征，以图像识别的方式进行参数识别，有效降低噪声及干扰的影响，提高参数识别准确度，降低参数识别误差。
NETL