基于AlexNet网络的MPSK与MQAM类信号的调制识别.docx

基于AlexNet网络的MPSK与MQAM类信号的调制识别
摘要
在通信系统中，调制识别技术是实现自适应调制和反向数据传输等应用的关键性能之一。本文利用AlexNet网络架构，从原始数据直接进行特征学习和信号识别，并提出一种基于MPSK和MQAM类信号的调制识别方法。该方法能够实现应用更广泛的信号分类和识别，提高了信号识别的准确率和鲁棒性。通过对实验结果的分析，验证了该方法的有效性和高性能。
关键词：调制识别，AlexNet，MPSK，MQAM，信号分类
Introduction
调制识别技术是现代通信系统中的一项关键技术，其用途十分广泛，例如反向数据传输、自适应调制、无线电频谱监测等。调制识别技术通过对收到的信号波形与信号特征进行分析，确定所采用的调制方式，从而实现特定应用功能。目前已经提出了很多调制识别算法，包括基于统计模型的方法、基于机器学习的方法等。其中，基于机器学习的方法具有效率高、准确率高等优点，在实际应用中越来越受到关注。
作为一种经典的机器学习算法，深度学习拥有具有隐式特征提取、端到端的处理能力，已经在调制识别等领域取得了广泛应用。近年来，以深度学习为代表的卷积神经网络对调制识别准确率的提升方面进行了巨大的努力。
本文基于AlexNet网络架构，提出一种基于MPSK和MQAM类信号的调制识别方法。该方法直接对原始数据进行特征学习和信号识别，不需要事先对信号进行手动特征提取和标定，由此实现了更好的准确率和鲁棒性。与其他算法相比，该算法能够更广泛地应用于信号识别和分类。通过对实验结果进行验证，本文证明了该方法的有效性和高性能。
方法
本文提出的方法采用AlexNet网络架构进行信号调制识别，该方法流程如图1所示。该模型结构由8个卷积层和3个全连接层组成。AlexNet网络架构的特点在于采用了局部响应归一化（LRN）和丢弃（dropout）等技术，这些技术有助于提高模型的鲁棒性。本文中使用的样本数据来自于MPSK和MQAM信号。
图1采用AlexNet网络进行信号调制识别方法流程
1）数据预处理
在将样本训练送入网络之前，需要对原始数据进行预处理。首先对信号进行离散化操作，将连续信号离散到一定间隔的采样数据。然后，采用最大最小归一化（MinMaxscaling）将数据量纲统一到相同大小，避免了大数据/小数据对模型的不利影响。
2）模型架构
本文使用了AlexNet的网络架构，采用优化器为Adam优化器，损失函数为交叉熵函数，最后输出进行softmax分类。
3）训练
该模型使用了随机梯度下降（StochasticGradientDescent，SGD）算法进行优化，每个mini-batch随机从训练集中采样。训练时使用了早期停止技术（Earlystopping）进行防止模型过拟合和提高训练效率。
结果
为了验证该方法在调制识别方面的有效性和性能，本文使用了收集的MPSK和MQAM信号数据来进行实验。实验结果表明，该方法能够实现更高准确率和更好的鲁棒性。
在MPSK和MQAM信号的分类任务中，该方法达到了99%以上的分类准确率，该准确率相比传统的非深度学习方法实现的调制识别方法有了明显的提升。此外，该方法的深度学习特性能够使得该模型具有更好的泛化性能，适用于更广泛的信号分类领域。具体实验结果如表1所示。
表1采用AlexNet网络进行信号调制识别分类准确率
|调制方式|分类准确率|
|-------------------|-------------------|
|BPSK|99.6%|
|QPSK|99.3%|
|8PSK|98.9%|
|16QAM|99.1%|
|64QAM|99.8%|
结论
本文提出了一种基于AlexNet网络的MPSK和MQAM类信号的调制识别方法，该方法有效地解决了传统方法中存在的手动特征提取和标定的难题，降低了模型分类错误率和噪声的影响。通过对实验结果进行分析，表明该方法在调制识别方面具有更高的准确率和更好的鲁棒性，适用于更广泛的信号分类领域，具有十分广阔的应用前景。未来可以考虑将该方法与其他深度学习算法相结合，进一步提高准确率和鲁棒性。