基于GAN和CNN的水声通信信号调制识别技术研究.pdf
基于GAN和CNN的水声通信信号调制识别技术研究
摘要
深度学习在通信信号调制识别技术方面相较于传统方法,在信道环境适应性、识别
精度和计算复杂性等方面展现出更显著的优势。由于其卓越的架构性能,深度学习将成
为通信信号调制识别技术的下一代研究焦点,因此探究基于深度学习的通信信号调制识
别技术具有重要的科学价值。
伴随着水声通信技术的持续进步,水声通信信号调制识别技术研究逐渐受到重视。
本文深入探讨了水声通信信号调制识别技术,提出了一种结合生成对抗网络(GAN)和
卷积神经网络(CNN)的水声通信信号调制识别方案。
本文对CW信号、LFM信号、BPSK信号、2FSK信号、4FSK信号以及OFDM信
号在内的六种水声通信信号进行研究,通过GAN+CNN神经网络结合,CGAN与
pix2pixGAN多模型联合预处理的深度学习方法,对水声通信信号调制识别技术进行深
入讨论。最后通过仿真数据和威海海试数据验证了本文所提出的水声通信调制识别技术
的算法性能,证明了所提方法的有效性与鲁棒性。
本文的主要研究内容如下:首先,在数据预处理阶段,本文提出了基于GAN的水
声通信信号调制降噪与预处理方案,在GAN模型基础上,通过结合CGAN模型与
pix2pixGAN模型,实现了对基于Welch变换的功率谱图的多模型预处理。采用了基于
CGAN的数据集扩充方法,有效地扩充了水声通信信号数据集,提高了模型的泛化能力,
降低过拟合的风险。其次,通过pix2pixGAN网络模型对基于Welch变换的功率谱图进
行了降噪处理,显著提高了信号质量,有效地消除噪声并保留信号的主要特征,实现了
较高的信噪比和准确率,为后续的信号识别提供了有力支持。最后,本文设计了一个基
于CNN的水声通信信号调制分类识别模型,通过仿真实验和海试实验对算法进行了验
t-SNECNNloss
证,通过四类图的分析(可视化原始图片数据图、模型训练准确度与损
失曲线图、算法仿真实验混淆矩阵、提取CNN网络检测特征的t-SNE可视化结果),充
分证明了所提出的基于GAN+CNN的水声通信信号调制分类识别技术的有效性,验证
了该模型在处理不同类型调制信号上的优良性能。
GANCGANpix2pixGANCNN
关键词:水声通信;;;;;调制识别;深度学习
基于GAN和CNN的水声通信信号调制识别技术研究
ABSTRACT
Comparedwithtraditionalmethods,deeplearningdemonstratesmoresignificant
advantagesincommunicationsignalmodulationrecognitiontechnology,includingchannel
environmentadaptability,recognitionaccuracy,andcomputationalcomplexity.Duetoits
outstandingarchitecturalperformance,deeplearningwillbecometheresearchfocusofthe
next-generationcommunicationsignalmodulationrecognition