【信号调制】基于深度学习CNN的信号调制识别附matlab代码

Matlab科研辅导帮

已于 2025-02-11 23:16:00 修改

阅读量957

点赞数 10

分类专栏：信号处理文章标签：深度学习 cnn matlab

于 2024-02-15 08:00:03 首次发布

某大厂资深算法工程师，从事Matlab算法仿真工作10年,擅长智能优化算法、神经网络预测、机器学习、信号处理、元胞自动机、图像处理、路径规划、无人机、无线传感器网络、车间调度、生产调度等多种领域的Matlab仿真，更多仿真源码、算法改进、Matlab项目和期刊发表可私信合作。

本文链接：https://blog.csdn.net/m0_60703264/article/details/136118046

版权

信号处理专栏收录该内容

467 篇文章

订阅专栏

✅作者简介：热爱数据处理、建模、算法设计的Matlab仿真开发者。

🍎更多Matlab代码及仿真咨询内容点击 🔗：Matlab科研工作室

🍊个人信条：格物致知。

🔥 内容介绍

1 生成用于训练的波形

为每种调制类型生成 10000 个帧，其中 80% 用于训练，10% 用于验证，10% 用于测试。我们在网络训练阶段使用训练和验证帧。使用测试帧获得最终分类准确度。每帧的长度为 1024 个样本，采样率为 200 kHz。对于数字调制类型，八个样本表示一个符号。网络根据单个帧而不是多个连续帧（如视频）作出每个决定。假设数字和模拟调制类型的中心频率分别为 900 MHz 和 100 MHz。

1.2 波形生成

创建一个循环，它为每种调制类型生成信道衰落的帧，并将这些帧及其对应标签存储在 frameStore 中。从每帧的开头删除随机数量的样本，以去除瞬变并确保帧相对于符号边界具有随机起点。

使用深度学习进行调制分类 —— 使用 SDR 进行测试

使用 sdrTest 函数，通过无线信号测试经过训练的网络的性能。要执行此测试，您必须有两个 ADALM-PLUTO 无线电和 Communications Toolbox Support Package for ADALM-PLUTO Radio。sdrTest 使用与生成训练信号时相同的调制函数，并使用 ADALM-PLUTO 无线电进行传输。用另一个 ADALM-PLUTO 无线电捕获通道减损的信号，而不对通道进行仿真。使用经过训练的网络和相同的 classify 函数来预测调制类型。该网络实现了 99% 的总体准确度，其中两个无线电是固定的，相隔约 2 英尺。

📣 部分代码

function modulator = getModulator(modType, sps, fs)%getModulator Modulation function selector%   MOD = getModulator(TYPE,SPS,FS) returns the modulator function handle%   MOD based on TYPE. SPS is the number of samples per symbol and FS is%   the sample rate.switch modType  case "BPSK"    modulator = @(x)bpskModulator(x,sps);  case "QPSK"    modulator = @(x)qpskModulator(x,sps);  case "8PSK"    modulator = @(x)psk8Modulator(x,sps);  case "16QAM"    modulator = @(x)qam16Modulator(x,sps);  case "64QAM"    modulator = @(x)qam64Modulator(x,sps);  case "GFSK"    modulator = @(x)gfskModulator(x,sps);  case "CPFSK"    modulator = @(x)cpfskModulator(x,sps);  case "PAM4"    modulator = @(x)pam4Modulator(x,sps);  case "B-FM"    modulator = @(x)bfmModulator(x, fs);  case "DSB-AM"    modulator = @(x)dsbamModulator(x, fs);  case "SSB-AM"    modulator = @(x)ssbamModulator(x, fs);endendfunction src = getSource(modType, sps, spf, fs)%getSource Source selector for modulation types%    SRC = getSource(TYPE,SPS,SPF,FS) returns the data source%    for the modulation type TYPE, with the number of samples%    per symbol SPS, the number of samples per frame SPF, and%    the sampling frequency FS.switch modType  case {"BPSK","GFSK","CPFSK"}    M = 2;    src = @()randi([0 M-1],spf/sps,1);  case {"QPSK","PAM4"}    M = 4;    src = @()randi([0 M-1],spf/sps,1);  case "8PSK"    M = 8;    src = @()randi([0 M-1],spf/sps,1);  case "16QAM"    M = 16;    src = @()randi([0 M-1],spf/sps,1);  case "64QAM"    M = 64;    src = @()randi([0 M-1],spf/sps,1);  case {"B-FM","DSB-AM","SSB-AM"}    src = @()getAudio(spf,fs);endend

⛳️ 运行结果

🔗 参考文献

O'Shea, T. J., J. Corgan, and T. C. Clancy. "Convolutional Radio Modulation Recognition Networks." Preprint, submitted June 10, 2016. https://arxiv.org/abs/1602.04105

O'Shea, T. J., T. Roy, and T. C. Clancy. "Over-the-Air Deep Learning Based Radio Signal Classification." IEEE Journal of Selected Topics in Signal Processing. Vol. 12, Number 1, 2018, pp. 168–179.

Liu, X., D. Yang, and A. E. Gamal. "Deep Neural Network Architectures for Modulation Classification." Preprint, submitted January 5, 2018. https://arxiv.org/abs/1712.00443v3