調制技術可以提高資訊交換的效率和可靠性，
在非合作通信系統中，調制識別（MR）被廣泛用于識別未知信號的調制模式，最大似然假設，模式識別和深度學習是MR的典型傳統方法，最大似然假設方法主要包括平均，廣義和混合似然比演算法[1-3]，他們可以通過建立損耗函式和分類閾值來區分不同的調制模式，但是，最大似然假設方法的復雜性太高，
模式識別方法包括兩個核心階段：手動特征提取和分類，提取各種信號瞬時統計資料并將其輸入到決策樹中以識別信號調制模式[4]， Swami等提取調制信號的四階統計量， 分析了各種信噪比（SNR）下的識別精度[5]， 隨著計算機技術的發展，深度學習取得了長足的進步[6-8]， 基于深度學習的MR方法也得到了廣泛的研究[9-11]， O’Shea等， 提出了一個卷積神經網路（CNN），它由兩個卷積層和兩個緊密連接的層組成[12]， CNN可以自動提取信號特征并輸出分類結果， Bouchou等， 提取調制信號的六階統計量，并將其輸入到兩層自動編碼器中以識別其調制模式[13]， 當SNR高時，這些識別方法可以實作高識別精度， 但是，當SNR低時，它們的識別精度會大大降低， 因此，我們的研究重點是在低信噪比下提高識別方法的準確性，
本文提出了一種預降噪（PDN）演算法，該演算法在MR方法之前使用， PDN 該演算法可以提高調制信號的信噪比，提高MR方法的準確性， 此外，我們評估了PDN演算法的降噪性能及其對MR方法的促進作用，
PDN演算法類似于cnn，使用卷積層、leaky rulu、batch_normalization、skip function等，PDN-CNN結構如下，
論文測驗資料：2ASK 4ASK 2FSK 4FSK 16QAM 64QAM SNR:-12dB~2dB，每個信號包含64個資料點，生成的每個星座圖有64點
論文對比模型：常見的cnn
結果：
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/33679.html
標籤：Python