导读:本文包含了神经调制论文开题报告文献综述、选题提纲参考文献，主要关键词:神经网络,卷积,特征,信号,深度,电子战,矢量图。
神经调制论文文献综述写法
刘桥平,邱昕,郭瑞[1]（2019）在《基于深度神经网络的自动调制识别》一文中研究指出自动调制识别在认知无线电、智能解调器、电子侦察等各种民用及军事应用中扮演重要角色。自动调制识别属于分类问题,常见的方法有KNN、DT、SVM、CNN。为了提高自动调制识别的准确度,基于GNU Radio生成20种信噪比8种调制类型的IQ数据集,训练深度神经网络模型RESNET进行分类测试。实验结果显示自动调制识别的分类准确度提高了近12%。证明了RESNET适用于自动调制识别,可以满足工程需求。(本文来源于《电子设计工程》期刊2019年23期）
汪浩,吴云树[2]（2019）在《融合神经网络与瞬时自相关分区特征的自动调制分类方法研究》一文中研究指出复杂电磁环境提升了认知电子战系统对外部电磁信号的感知、识别与分类能力的要求。针对认知电子战系统所需识别的多种复杂通信信号辐射源,基于瞬时自相关相位分布特征图进行分区特征提取,联合包络方差特征,并引入神经网络这一机器学习算法,构造出了针对多种通信信号自动分类的机器学习网络。提出采用信号瞬时自相关相位分区分布比率作为神经网络输入层信号,并逐层传递经过隐含层及输出层处理以实现信号之间的分类。采用计算机仿真实现机器学习分类网络的训练,并采用测试样本对算法性能进行了验证。仿真表明,信噪比大于13dB时,分类网络可以获得大于90%的正确识别率。(本文来源于《国外电子测量技术》期刊2019年11期）
查雄,彭华,秦鑫,李天昀,李广[3]（2019）在《基于循环神经网络的卫星幅相信号调制识别与解调算法》一文中研究指出针对卫星通信中常用的幅相调制信号,提出了一种基于循环神经网络的信号识别与解调模型.通过循环神经单元直接对信号时序进行深层特征提取,结合全连接神经网络对特征进行维度映射,最终完成目标信号的调制识别与解调.该方法不需要预估目标信号载噪比,克服了人为确定阈值的缺陷,对信号频偏误差、定时误差容忍能力强;且在开发维护和更新拓展方面,克服了传统算法需重新部署判决规则的缺点,符合实际工程需求.仿真实验表明,当网络训练达到稳态时,在信噪比为6dB的条件下,目标信号识别率接近98%,解调误码率接近理论门限.本文所建立的理论形式为当今智能化信号处理提供了新思路,其思想同样可应用于其他通信信号处理领域.(本文来源于《电子学报》期刊2019年11期）
吴佩军,侯进,吕志良,刘雨灵,徐茂[4]（2019）在《基于卷积神经网络的多进制相位调制信号识别算法》一文中研究指出由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类。针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法。将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别。该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征。为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化。与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现。实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性。(本文来源于《计算机应用与软件》期刊2019年11期）
吕荧[5]（2019）在《一种基于深度神经网络的调制盲识别方法》一文中研究指出调制识别技术在民用和军事领域中都具有非常重要的意义。判识信号的调制类型,是实现通信信号正确接收解调的前提。针对低信噪比下的数字调制信号类型识别问题,提出了一种基于深度神经网络的调制识别方法。该方法采用特征提取新思路,在计算处理中进行了融合,具有良好的稳健性和抗噪性。此外,改进分级判决方法,引入分层模型结构,扩展了适用范围。最后,通过计算机仿真验证了新方法结果的有效性,且其识别正确率高,具有工程实用性,性能也优于过去的一些算法。(本文来源于《通信技术》期刊2019年11期）
杨风开[6]（2019）在《磁调制FFT传感器信号的神经网络处理方法》一文中研究指出为满足特高压试验等不便于直接串联直流微安表的应用需要,基于磁调制FFT传感器输出的检测信号,提出了直流微电流检测的GA-BP神经网络模型。为弥补BP神经网络的不足,利用GA算法对BP神经网络进行了优化。利用样本数据集训练了所提出的模型,结果表明模型收敛速度快、不会陷入局部极小点;实验结果表明,综合分析多项偶次谐波的方法较传统的单纯分析二次谐波的方法具有更高的精度。(本文来源于《仪表技术与传感器》期刊2019年09期）
查雄,彭华,秦鑫,李广,李天昀[7]（2019）在《基于多端卷积神经网络的调制识别方法》一文中研究指出为识别当前卫星通信系统所采用的主要调制方式,提出了一种基于多端卷积神经网络的通信信号调制识别算法。利用信号的先验信息以及对网络拓扑结构的认知,将信号时域波形转化为眼图和矢量图,作为信号的浅层特征表达,并由此设计了基于多端卷积神经网络的调制识别模型。通过训练所搭建的网络,对浅层特征进行深度提取和映射,最终完成了目标信号的调制识别。仿真实验表明,所提算法相对于传统调制识别算法以及目前基于波形和星座图的深度学习识别算法识别效果更好,当信噪比为5 dB时,识别性能可达95%。(本文来源于《通信学报》期刊2019年11期）
袁梦,程莉,党晶晶,时愈[8]（2019）在《基于BP神经网络的数字调制信号样式识别》一文中研究指出对于支持多种调制方式的通信系统来说,接收信号调制方式的自动识别是不可或缺的功能之一。论文研究了六种常见的数字调制信号,提取出五种特征参数,并针对瞬时相位和瞬时频率特征参数的提取做出了改进。采用BP神经网络算法进行自动识别,在高斯白噪声环境下仿真结果显示:在SNR310dB时,正确率达到98%以上。(本文来源于《计算机与数字工程》期刊2019年08期）
白芃远,许华,孙莉[9]（2019）在《基于卷积神经网络与时频图纹理信息的信号调制方式分类方法》一文中研究指出通信信号的调制方式识别是通信侦察、频谱监测的重要工作内容之一,提出一种利用深度学习提取信号时频图纹理信息的分类方法。该方法利用不同调制方式在时频图细节上的微弱差别,并使用卷积神经网络提取图像纹理特征,最终输入SOFTMAX分类器进行分类。结果表明,该方法在大样本条件下,可取得良好的分类效果。与传统基于特征参数的支持向量机分类方法或前馈神经网络方法相比,其提取特征更优、分类效果更好,同时减少了人工设计特征参数的工作量和不确定性。(本文来源于《西北工业大学学报》期刊2019年04期）
吴灏,周亮,李亚星,郭宇,孟进[10]（2019）在《基于卷积神经网络和稀疏滤波的调制识别方法》一文中研究指出针对当前通信系统所采用的主要调制方式,提出了一种基于卷积神经网络和稀疏滤波的调制识别方法。首先,分析了利用信号循环谱二维灰度图进行通信信号调制识别的可行性;然后,通过降采样和裁剪技术对循环谱图预处理;最后,设计了深度卷积神经网络架构,并提出了稀疏滤波预训练的方法。仿真结果表明:相比于经典的基于深度学习的调制识别方法,该方法模型简单,优化量少,且在小样本场景下性能最佳,具有很高应用价值。(本文来源于《系统工程与电子技术》期刊2019年09期）
神经调制论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
复杂电磁环境提升了认知电子战系统对外部电磁信号的感知、识别与分类能力的要求。针对认知电子战系统所需识别的多种复杂通信信号辐射源,基于瞬时自相关相位分布特征图进行分区特征提取,联合包络方差特征,并引入神经网络这一机器学习算法,构造出了针对多种通信信号自动分类的机器学习网络。提出采用信号瞬时自相关相位分区分布比率作为神经网络输入层信号,并逐层传递经过隐含层及输出层处理以实现信号之间的分类。采用计算机仿真实现机器学习分类网络的训练,并采用测试样本对算法性能进行了验证。仿真表明,信噪比大于13dB时,分类网络可以获得大于90%的正确识别率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
神经调制论文参考文献
[1].刘桥平,邱昕,郭瑞.基于深度神经网络的自动调制识别[J].电子设计工程.2019
[2].汪浩,吴云树.融合神经网络与瞬时自相关分区特征的自动调制分类方法研究[J].国外电子测量技术.2019
[3].查雄,彭华,秦鑫,李天昀,李广.基于循环神经网络的卫星幅相信号调制识别与解调算法[J].电子学报.2019
[4].吴佩军,侯进,吕志良,刘雨灵,徐茂.基于卷积神经网络的多进制相位调制信号识别算法[J].计算机应用与软件.2019
[5].吕荧.一种基于深度神经网络的调制盲识别方法[J].通信技术.2019
[6].杨风开.磁调制FFT传感器信号的神经网络处理方法[J].仪表技术与传感器.2019
[7].查雄,彭华,秦鑫,李广,李天昀.基于多端卷积神经网络的调制识别方法[J].通信学报.2019
[8].袁梦,程莉,党晶晶,时愈.基于BP神经网络的数字调制信号样式识别[J].计算机与数字工程.2019
[9].白芃远,许华,孙莉.基于卷积神经网络与时频图纹理信息的信号调制方式分类方法[J].西北工业大学学报.2019
[10].吴灏,周亮,李亚星,郭宇,孟进.基于卷积神经网络和稀疏滤波的调制识别方法[J].系统工程与电子技术.2019