3.部分核心程序

Layer)convolution2dLayer(filterSize,

16*netWidth,

CNN1)batchNormalizationLayer(Name,

BN1)reluLayer(Name,

ReLU1)maxPooling2dLayer(poolSize,

Stride,

MaxPool1)convolution2dLayer(filterSize,

24*netWidth,

CNN2)batchNormalizationLayer(Name,

BN2)reluLayer(Name,

ReLU2)maxPooling2dLayer(poolSize,

Stride,

MaxPool2)convolution2dLayer(filterSize,

32*netWidth,

CNN3)batchNormalizationLayer(Name,

BN3)reluLayer(Name,

ReLU3)maxPooling2dLayer(poolSize,

Stride,

MaxPool3)convolution2dLayer(filterSize,

48*netWidth,

CNN4)batchNormalizationLayer(Name,

BN4)reluLayer(Name,

ReLU4)maxPooling2dLayer(poolSize,

Stride,

MaxPool4)convolution2dLayer(filterSize,

64*netWidth,

CNN5)batchNormalizationLayer(Name,

BN5)reluLayer(Name,

ReLU5)maxPooling2dLayer(poolSize,

Stride,

MaxPool5)convolution2dLayer(filterSize,

96*netWidth,

CNN6)batchNormalizationLayer(Name,

BN6)reluLayer(Name,

ReLU6)convolution2dLayer(filterSize,

128*netWidth,

CNN7)batchNormalizationLayer(Name,

BN7)reluLayer(Name,

AP1)fullyConnectedLayer(numModTypes,

Name,

SoftMax)classificationLayer(Name,

Output)

设置训练选项包括优化算法adam、学习率、训练轮数、小批量样本数量、是否每轮迭代都重新打乱数据、是否绘制训练进度图、是否显示训练过程信息、验证数据和验证频率、学习率衰减策略等options

...MiniBatchSize,miniBatchSize,

...Verbose,false,

...ValidationData,{rxValidation,rxValidationLabel},

...ValidationFrequency,validationFrequency,

piecewise,

使用训练数据集rxTraining和标签rxTrainingLabel利用设置的模型modClassNet和训练选项options训练得到调制类型分类的神经网络模型trainedNet0SNR_v7trainedNet0SNR_v7

trainNetwork(rxTraining,rxTrainingLabel,modClassNet,options);

0030

在无线通信系统中调制信号的识别是一项重要的任务。

通过识别接收到的信号的调制方式可以对信号进行解调和解码从而实现正确的数据传输和通信。

卷积神经网络Convolutional

Neural

NetworkCNN是一种深度学习模型在图像和信号处理领域取得了显著的成功。

卷积神经网络CNN

CNN是一种深度学习模型主要用于图像处理和模式识别任务。

其核心原理是使用卷积层、池化层和全连接层来提取特征和进行分类。

以下是CNN中常用的数学原理

卷积层

卷积层通过滤波器也称为卷积核来提取图像或信号的特征。

卷积操作通过将滤波器与输入图像或信号的局部区域进行元素相乘并求和得到输出特征图。

池化层

池化层用于减小特征图的尺寸并降低计算复杂度。

常见的池化操作有最大池化和平均池化。

全连接层

全连接层将池化层输出的特征图映射到具体的分类结果常用于分类任务。

调制信号识别

调制信号识别任务是将接收到的信号进行分类确定其调制方式。

通常调制信号可以表示为复数形式

其中$A$为信号的幅度$f_c$为信号的载频频率$\phi(t)$为信号的相位。

数据预处理

首先需要准备用于训练和测试的调制信号数据集。

数据预处理包括信号采样、归一化、分割成时域序列并将其转换为CNN网络的输入格式。

搭建CNN网络

构建卷积神经网络模型可以根据任务的复杂性和需求选择合适的网络结构。

一般来说包含若干卷积层、池化层、全连接层和输出层。

训练CNN模型

使用准备好的调制信号数据集对CNN模型进行训练。

训练过程中需要定义损失函数通常使用交叉熵损失函数和优化算法如随机梯度下降通过反向传播算法不断更新模型的参数使其逐渐收敛到最优状态。

测试和验证

训练完成后使用测试集对模型进行验证和评估。

计算准确率、精确度、召回率等指标来评估模型的性能。

调制信号识别

最终将训练好的CNN模型用于调制信号的识别。

通过将接收到的信号输入CNN模型得到分类结果确定信号的调制方式。

5.算法完整程序工程