6个研究背景和意义示例,教你写计算机调制识别论文

今天分享的是关于调制识别的6篇计算机毕业论文范文, 如果你的论文涉及到调制识别等主题,本文能够帮助到你

基于大数据的信号调制方式识别研究及软件设计

这是一篇关于调制识别,深度学习,大数据,分布式集群的论文, 主要内容为随着第五代移动通信技术的发展,面对有限频谱资源中的频谱复用问题,开发新的技术进行信号调制方式识别分类显得尤为重要。本文基于深度学习提出了两种信号识别分类模型,以代替传统专家设计的特征提取方法。此外,本文还基于这两种模型设计了一个能够高效处理海量数据的信号识别分类软件系统,利用Hadoop和分布式集群使系统具有高可用性、高可靠性、高安全性、高可扩展性和低延时性。本文的主要创新点如下:1、提出了基于Inception的信号识别分类模型。利用Inception网络结构提取不同尺寸的数据特征,使得网络具有更强的拟合能力。同时,利用稠密结构来近似最优的局部稀疏结构,使得网络既能够保持良好的稀疏性,又能利用密集矩阵的高计算性能。本文提出的Inception网络模型能够精确识别分类17种混合的模拟和数字信号。2、提出了基于LSTM的信号识别分类模型。LSTM网络引入输入信号序列的时序性和回环结构,使得网络具有记忆性。LSTM网络的这点特性使其能够更好地对模拟信号进行特征提取和样本拟合。相比于Inception网络模型,LSTM网络模型在保证数字信号识别准确率的条件下,能够提升模拟信号的识别准确率。3、设计了能够高效处理海量数据的信号识别分类软件系统。软件系统基于Hadoop和SSM进行设计,包括信号识别分类、标准信号库、权限管理等模块。Hadoop在上述提出的两种信号识别分类模型的基础上,结合HDFS和Spark为整个系统提供高性能的计算服务;SSM框架基于MVC原则构建的Java Web应用为用户提供交互界面和业务逻辑处理。同时,为了保障软件系统处理海量数据的能力,系统使用了分布式集群设计,包括接口服务集群、MySQL数据存储集群、Redis缓存集群等等。

基于深度学习的OFDM系统盲接收机研究

这是一篇关于OFDM,深度学习,调制识别,模型驱动,信道估计,MMSE信号检测的论文, 主要内容为Orthogonal Frequency Division Multiplexing(OFDM)是一种常用于无线通信系统的多载波调制技术。传统的OFDM盲接收机需要进行大量计算,但随着深度学习技术的发展,基于深度学习的OFDM盲接收机成为一种新趋势,利用深度神经网络来代替传统接收链路中的调制识别、信道估计和符号解调。这种方法简化了计算,并提高了解调性能。然而,基于深度学习的OFDM盲接收机仍然面临着一些挑战,如数据不足、神经网络结构选择、模型参数过于复杂和过拟合等问题。本文针对深度学习应用于OFDM盲接收机的调制识别和信号解调上的问题,探讨了如何设计合适的神经网络结构,降低模型复杂度,提高训练效率和解决过拟合问题。本文的主要研究内容如下:针对信道状态信息对调制信号识别的影响,使用最小二乘信道估计和迫零均衡信道均衡技术,构建了一种OFDM调制识别ZF-Res Net模型,旨在提高识别率。实验结果表明,在衰落信道情况下,ZF-Res Net调制识别算法的性能优于传统的以及基于深度学习的常用调制识别方法。针对OFDM接收机在解调精度和计算复杂度方面的问题,提出了一种新的模型驱动的接收机模型,即FBLTNet。该模型使用深度学习技术来提升系统的性能和可靠性,改善了误比特率性能,降低了网络模型的空间复杂度和训练和测试的时间复杂度,并且表现出了对符号间干扰的良好抗性,通过实验证明,在没有循环前缀的OFDM系统中,基于深度学习的方法具有很高的可行性和应用潜力。

基于卷积神经网络的调制识别技术研究

这是一篇关于调制识别,高阶谱,深度稀疏自编码网络,CNN,Mobile-Net的论文, 主要内容为调制识别技术是软件无线电系统中不可或缺的技术。调制识别技术在参数估计与解调译码中起着承上启下的作用。所以,近年来无数研究者纷纷投入到调制识别技术的研究,致力于研究出识别种类更多,计算简单的识别算法。目前,调制识别按照特征提取的方式可分为:基于深度学习提取信号特征的调制识别技术和基于传统算法提取信号特征的调制识别技术。由于,传统特征参数需要人工设计相应的算法提取信号的特征,增加了算法的复杂性,且识别信号的类型较少,抗噪性能差。于是,开始使用深度学习让神经网络自动提取特征。随着深度学习被应用于调制识别,逐渐通过网络层之间相互卷积得到信号的特征,但是,针对网络模型的选择和网络模型抗频偏性的相关研究还存在相关的问题。因此,本文将基于网络模型的选择和网络模型抗频偏性进行进一步的研究与分析,主要研究的内容如下:首先,本文针对传统特征参数分类器设计规则复杂,提出将特征参数与三层全连接神经网络分类器(Three-layer Fully Connected Neural Network Classifier,TFCNNC)相结合的调制识别技术。根据TFCNNC输入层的需要设计对应的特征参数值,将特征参数送入TFCNNC中进行分类识别。其次,针对高阶谱生成的频谱图,无法通过有效的算法计算出频谱图中所包含特征,提出将高阶谱和深度稀疏自编码网络(Deep Sparse Auto Encoder Network,DSAEN)相结合的算法用于识别信号的调制方式。通过仿真结果可知,将高阶谱以频谱图的形式输入到DSAEN中进行训练,该网络可以完成频谱图的特征提取,同样也可以完成信号的识别。同时该网络该具备一定的抗频偏能力。最后,针对DSAEN需要对信号进行高阶谱处理,本文开展基于卷积神经网络(Convolutional Neural Network,CNN)的调制信号识别方法研究。针对CNN网络模型是否具有抗频偏性进行研究,通过仿真结果可知,该网络具有一定的抗频偏能力;同时,使用CNN网络模型减少了信号处理的步骤。针对DSAEN和CNN训练时间长,识别信号种类较少,不易集成工程应用等问题。本论文提出将Mobile-Net卷积神经网络应用于信号的调制识别。针对网络模型是否具有抗频偏性进行研究,通过仿真结果可知,MobileNet网络模型具有抗频偏能力。针对Mobile-Net的网络模型是否可以识别多信号进行仿真验证,通过仿真结果可知,在一定信噪比下,Mobile-Net网络模型可识别多种信号的调制方式。

无线电异常信号智能检测技术研究

这是一篇关于软件无线电,构建数据集,调制识别,异常信号检测的论文, 主要内容为随着无线电技术的不断进步,人们对通信系统的搭建越来越趋向于便携化、可编程化。软件无线电技术提供了更加灵活简便、可扩展和易操作的无线电通信系统构建方案。由于无线电信号传输环境的多变性和无线电通信系统的复杂性,使得接收端出现异常信号,影响通信系统的鲁棒性。传统的异常信号检测和管理通常需要人工分析信号,这很耗时,将深度学习应用到无线电异常信号检测领域可以大幅提高信号检测效率。本文基于软件无线电平台构建了无线电异常信号数据集,然后利用深度学习方法分别实现了信号调制识别和单调制方式的异常信号检测,将两者叠加实现了无线电异常信号智能检测任务。本文的主要研究内容如下:(1)基于软件无线电构建异常信号数据集。本文利用软件无线电技术搭建并模拟多种通信环境,产生1 1种调制模式的无线电信号和4种调制模式的无线电异常信号,包含载波频率偏移、采样率偏移、多普勒频移和瑞利/莱斯衰落四种类型的异常信号,最终构建了三大类无线电信号数据集。(2)无线电信号调制识别的研究。因为不同调制方式下无线电信号有不同特征,不能直接进行异常信号检测,需要先进行信号调制识别。本文设计了一个基于CNN和LSTM算法的多通道卷积长短期神经网络,对1 1种调制信号进行识别,并与其他深度学习模型进行了对比实验。实验结果表明,在SNR≥OdB时,信号调制识别准确率达到了 90%以上。(3)无线电异常信号智能检测的研究。本文基于ResNet思想设计了一个单调制方式异常信号检测模型,针对不同调制方式的信号分别进行有监督的异常检测训练,异常信号检测准确率可以达到81.7%;将信号调制识别模型与单调制方式异常信号检测模型叠加,实现无线电异常信号的智能检测,实验结果表明,在SNR≥2dB时,此运行机制的异常检测准确率为60%～80%,验证了此运行机制的有效性。