21、信号调制分类与图像融合技术研究

信号调制分类与图像融合技术研究

一、自动调制分类（AMC）的CNN模型

1.1 模型框架

调制信号的中心频率为100 MHz，经过加性高斯白噪声（AWGN）和衰落信道（包括瑞利和莱斯信道）。通过短时傅里叶变换（STFT）将一维信号转换为频谱图，输入到卷积神经网络（CNN）的输入层。CNN有六个卷积层用于从接收信号中提取特征，每个卷积层后接批量归一化层、修正线性单元（ReLU）和最大池化层，最后一个卷积层的最大池化层替换为平均池化层。使用一个全连接层和SoftMax激活函数进行信号分类。

1.2 训练与性能评估

CNN模型的训练和性能评估过程如下：
1. 训练过程 ：
- 首先训练分类器对4种模拟调制类进行分类。
- 接着对7种数字调制类进行分类。
- 最后对涵盖模拟和数字调制类的11种调制类进行分类。
2. 性能评估 ：在AWGN、瑞利和莱斯信道下评估CNN的性能，训练率从50%到90%以10%为步长变化，信噪比（SNR）从10到30 dB以5 dB为步长变化。

1.3 不同调制信号分类结果

1.3.1 模拟调制信号分类

分类器在不同训练率下对4种模拟调制类进行分类。在90%训练率和30 dB SNR时，AWGN信道的最大分类准确率为98%，莱斯信道为97.55%，瑞利信道为99.57%。即使在低SNR下，分类准确率也约为70%，且随着SNR的增加，分类准确率提高。瑞利信道的分类准确率最高，其次是AWGN和莱斯信道。

1.3.2 数字调制信