高斯低通滤波_变信噪比非高斯噪声场景下的广义自动调制分类

文献信息：目前文献还没有刊出，下载地址如下

Generalized Automatic Modulation Classification Under Non-Gaussian Noise with Varying SNR Conditions: A CNN Enable Method​www.techrxiv.org

摘要

自动调制分类(AMC)是识别信号调制类型的关键步骤，它能在非协作场景中实现更准确的解调。基于卷积神经网络(CNN)的AMC被认为是最有前途的方法之一，具有很高的分类精度。然而，传统的基于CNN的方法在时变信噪比条件下缺乏通用性，因为这些方法仅针对特定的数据集进行训练，只能在相应的条件下工作。本文提出了一种新的基于CNN的广义AMC方法，并考虑了一个更实际的场景，包括白噪声、非高斯噪声和同步误差。它的泛化能力来源于不同噪声场景下的混合数据集，而CNN可以从这些数据集中提取出共同的特征。仿真结果表明，该结构具有比传统结构更强的鲁棒性和更大的通用性。

1. 系统模型和信号模型

系统模型

摘要介绍了一种典型的非合作通信系统，发射机通过无线信道传输数字调制信号，接收机不能事先获得调制类型、码元速率等信息。接收到这些数字调制信号后，系统进行预处理，包括下变频、低通滤波、模数转换等。经过预处理后，我们可以得到基带信号，这些信号被送入AMC模块以识别调制类型。基于AMC的接收机如图1所示

图1 非合作通信系统中基于AMC的接收机。在本系统中，接收机和发射机之间没有协议和认证。该解调方法依赖于AMC方法模块对调制类型的正确快速识别，具有对接收信号进行解调的可能性

在本文中，我们主要关注基于特征的AMC方法，通常包括三个步骤:处理、特征提取和分类。在传统的AMC方法中，最困难的部分是有效的人工特征的设计，分类器通常基于机器学习或简单的阈值检测，如图2(a)所示。不像传统的方法，DL方法，例如。可以同时实现特征提取和分类。此外，基于DL的AMC方法可以摆脱复杂和困难的人为特征设计。基于DL的AMC方法的框架如图2(b)所示。