现有基于深度学习的调制识别方法难以适应具有显著时变特性的短波信道,限制了其在短波信号调制识别中的应用。此外,在非合作短波通信场景中,训练数据集通常难以覆盖所有可能出现的调制类型,因而开集调制识别具有重要应用价值。本文结合通信领域知识和开集识别技术,提出了一种基于多模态特征融合的短波信号开集调制识别方法,有效缓解了短波信道时变性和未知调制类型对识别性能的影响。所提方法首先利用通信领域知识获得对信道变化具有鲁棒性的多模态特征,随后通过多模态特征融合和深度特征学习来提取具有判别性的深度特征表示,从而有效地识别已知和未知调制类型。此外,还通过流形混合策略生成混淆数据作为虚拟样本辅助网络训练,以提高网络对未知类型的识别能力。实验结果表明:所提方法优于现有的开集调制识别方法。当训练与测试信号的信道条件相同时,其开集识别性能有3%以上的性能提升;当测试信号的信道条件发生剧烈变化,即训练与测试信号的信道条件不同时,其性能较现有方法提高了8%以上,对信道变化表现出较强的鲁棒性。
资料为PDF文档格式.
本文档关键词:调制,短波,识别,融合,信号
