典型文献
基于深度学习的卫星信号调制识别算法
文献摘要：
为实现卫星信号调制方式的分类,提出的高阶累积量与K最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN作为分类器对信号分类.实验结果表明,当信噪比(SNR)高于12 dB时,信号的调制方式可以被高效地识别,并且识别率趋近100％,但需要人工设计和提取特征参数.因此,提出了循环神经网络(Recurrent Neural Network,RNN)的卫星调制信号识别算法,以信号的IQ数据作为模型的输入,通过LSTM进行分时特征提取,全连接层进行分类,最终完成识别.在采样长度等于512,SNR大于4 dB时,识别率趋近100％.与KNN相比,LSTM网络的识别性能更为优越,尤其在低SNR的情况下,可以高效识别6种调制方式.
文献关键词：
卫星调制识别;K最近邻算法;高阶累积量;循环神经网络
中图分类号：
作者姓名：
任进;姬丽彬;党柳
作者机构：
北方工业大学 信息学院, 北京 100144
文献出处：
引用格式：
[1]任进;姬丽彬;党柳-.基于深度学习的卫星信号调制识别算法)[J].无线电工程,2022(04):529-535
A类：
卫星调制识别
B类：
卫星信号,信号调制,识别算法,调制方式,高阶累积量,最近邻算法,KNN,制样,样式,不敏,分类器,信号分类,SNR,dB,识别率,趋近,提取特征,循环神经网络,Recurrent,Neural,Network,RNN,调制信号识别,IQ,全连接层,层进,识别性
AB值：
0.325802
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
