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 Methodwww.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
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。