| 【中文题名】 | 基于径向基函数（RBF）神经网络的软件无线电信号自动调制识别研究 |
| 【英文题名】 | The Research of Automatic Modulation Recognition Based on RBF Neural Network in Software Radio |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-10-23 |
| 【中关键词】 | 调制识别,特征提取,RBF神经网络,ROLS算法,软件无线电, |
| 【英关键词】 | modulation recognition,feature extract,RBF neural network,ROLS algorithm,software radio, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 | 软件无线电的基本思想是构造一个具有开放性、标准化、模块化的通用硬件平台，把尽可能多的无线及个人通信功能用软件来实现，使得不同系统间容易实现互联和兼容。而目前的多种通信体制的调制方式和接入技术各不相同，对于特定调制方式，收发双方的事先约定性给多体制间的通信互联带来很大的障碍。通信信号自动调制识别的基本任务是在多信号环境和有噪声干扰的情况下确定出接收信号的调制方式和其它信号参数，从而很好地克服了这种事先约定性，是实现非合作通信任务的关键技术之一，并且是构成基于软件无线电的通用接收机和智能调制解调器的重要技术基础。
本文利用数字通信信号的调制识别方法，与软件无线电的解调理论相结合，重点研究了MASK、MFSK、MPSK、MQAM信号的分类问题。根据径向基函数(RBF)神经网络作为一种新型的模式识别方式，同时针对软件无线电的实时性，构建了基于递归正交最小二乘法(ROLS)的RBF神经网络数字调制信号自动识别的模型。主要工作 |
| 【论文题纲】 |
|
第一章 绪论 |
16-22 |
|
1.1 课题研究目的及意义 |
16-17 |
|
1.2 调制识别技术发展过程 |
17-19 |
|
1.3 自动调制识别技术研究现状 |
19-20 |
|
1.4 本文主要内容 |
20-22 |
|
第二章 软件无线电中的数字调制技术 |
22-40 |
|
2.1 数字调制信号瞬时特征分析 |
22-24 |
|
2.2 数字调制技术 |
24-36 |
|
2.2.1 振幅键控(ASK) |
24-27 |
|
2.2.2 频移键控(FSK) |
27-31 |
|
2.2.3 相移键控(PSK) |
31-34 |
|
2.2.4 正交幅度调制(QAM) |
34-36 |
|
2.3 软件无线电中信号调制通用模型 |
36-38 |
|
2.4 小结 |
38-40 |
|
第三章 软件无线电接收机中的调制识别 |
40-55 |
|
3.1 软件无线电接收机模型 |
40-43 |
|
3.1.1 宽带中频带通采样软件无线电结构 |
41-42 |
|
3.1.2 软件无线电接收机数学模型 |
42-43 |
|
3.2 自动调制识别方法 |
43-44 |
|
3.3 信号调制样式自动识别特征参数 |
44-53 |
|
3.3.1 模式识别分类特征 |
45-47 |
|
3.3.2 基于 RBF神经网络的特征参数提取 |
47-53 |
|
3.4 分类识别 |
53-54 |
|
3.5 小结 |
54-55 |
|
第四章 RBF神经网络的基本原理 |
55-70 |
|
4.1 人工神经网络发展概要及特点 |
55-57 |
|
4.1.1 人工神经网络的发展 |
55-56 |
|
4.1.2 人工神经网络的特点 |
56-57 |
|
4.2 人工神经网络模式识别 |
57-60 |
|
4.3 RBF神经网络结构及算法 |
60-67 |
|
4.3.1 RBF网络数学模型 |
60-61 |
|
4.3.2 RBF插值的神经计算 |
61-62 |
|
4.3.3 RBF网络的学习 |
62-67 |
|
4.4 RBF网络和 BP网络的比较 |
67-69 |
|
4.4.1 BP神经网络简介 |
67-68 |
|
4.4.2 RBF网络和BP网络的比较 |
68-69 |
|
4.5 小结 |
69-70 |
|
第五章 RBF神经网络的数字调制识别系统的设计 |
70-87 |
|
5.1 基于 RBF神经网络数字调制识别的基本思想 |
70-71 |
|
5.2 RBF神经网络调制识别系统框架 |
71-73 |
|
5.3 基于 RBF神经网络的调制识别模型的实现 |
73-77 |
|
5.3.1 数字通信信号的产生 |
73-74 |
|
5.3.2 特征参数的提取 |
74-75 |
|
5.3.3 RBF网络结构选择及算法选取 |
75-77 |
|
5.3.4 网络参数的优化 |
77 |
|
5.4 基于 BP网络的数字调制识别 |
77-79 |
|
5.5 仿真试验及两种网络的识别性能比较 |
79-86 |
|
5.6 小结 |
86-87 |
|
第六章 总结与展望 |
87-89 |
|
参考文献 |
89-95 |
|
致谢 |
95-96 |
|
攻读硕士学位期间发表的论文 |
96 |
|
| 【DOI】 | LunWen.ID:2.2008.388001 |
