摘要:
自动调制分类算法(AMC)在频谱监视和认知无线电中变得越来越重要。但是,大多数现有的调制分类算法都忽略了不同特征之间的互补性以及特征融合的重要性。为了弥补这些缺陷,本文提出了一种使用卷积神经网络(CNN)的AMC特征融合方法,该方法试图融合不同图像和信号的特征来获得更多可区分特征。首先,提取八个不同的特征,然后通过对信号进行平滑伪-wigner-ville分布和Born-Jordan分布变换转换为两种时频图像,并利用CNN模型提取图像特征。其次,将图像中的每一个特征结合起来形成关节特征,并应用多模态融合模型融合各种特征来产生进一步改进。最后,仿真结果表明了该方案的优越性能。值得一提的是,在-4 dB的信噪比下,分类精度可以达到92.5%。
1.介绍
自动调制分类算法是指自动识别接收信号的调制类别,这种技术被广泛的应用到频谱管理,干扰识别,电子战等。近年来,随着无线通信的飞速发展,信号的调制类型变得越来越复杂多样,并且无线电环境变得越来越差,这些都使得自动调制分类算法变得越来越重要。
通常上,可以将自动调制识别系统分为两类:基于似然方法和基于特征的方法,从理论上来说,基于似然方法在比较不同调制信号的似然函数,能够最大程度的提高分类精度,能够获得最佳结果。基于似然函数的方法主要分为三种:混合似然比检验,平均似然比检验和广义似然比检验。但是,在参数未知的情况下,会出现分类精度严重下降的情况,当存在较多调制信号时,基于似然的方法需要较高的复杂度。相比之下,由于基于特征的方法能够降低算法的复杂度,所以其在自动调制识别领域引起了广泛的关注。为了提高不同特征之间的互