基于深度学习的跳频信号调制识别技术研究.pdf

基于深度学习的跳频信号调制识别技术研究

摘要

跳频通信是一种主要的扩频技术手段，通过一个伪随机变化的码序列控制载波频率

跳变，因此具有很强的抗干扰和抗截获能力，被广泛应用于军事通信和民用通信领域。

跳频信号的调制识别作为跳频通信侦察中的一项关键技术，已经成为跳频通信技术的研

究热点之一，其识别准确性能够直接影响后续的解调结果。当前信息化战场中电磁环境

愈加复杂，信号调制种类也越来越多，针对跳频信号具有高度非平稳特性导致的识别准

确率低、鲁棒性差等问题本文对其调制识别技术开展了研究，主要内容如下：

首先，本文提出了一种基于卷积神经网络的跳频信号调制识别算法，分别将时域跳

频信号转换到时频图域和拓扑图域进行特征提取与调制识别。在时频域采用SPWVD对

信号进行时频变换得到时频图，经过卷积去噪自编码器滤除部分背景噪声，提高数据的

抗噪性，并使用传统卷积神经网络提取其时频特征进行调制识别。仿真实验表明，在0dB

时平均识别准确率可以达到97.33%；在拓扑图域利用跳频信号频率跳变的特性将每个

跳频频点的信号作为拓扑图节点，同时提取每个节点的双谱特征和幅相特征构建节点特

征矩阵并计算特征相关性构建邻接矩阵，实现跳频信号到拓扑图信号