基于深度学习的通信信号调制模式识别系统研究与实现开题报告

1. 研究目的与意义

近年来，人工智能特别是深度学习在计算机视觉、自然语言处理、语音识别等领域取得了巨大成功，无线通信领域的研究者们期望将其应用于系统的各个层面，进而产生智能通信系统，实现真正意义上的万物互联，满足人们对数据传输速率日新月异的需求。因此，智能通信被认为是5g之后无线通信发展主流方向之一，其基本思想是将人工智能引入无线通信系统效能的愿景。学术界和工业界正在上述领域开展研究工作，前期的研究成果集中于应用层和网络层，主要思想是将人工智能特别是深度学习的思想引入到无线资源管理和分配等领域。目前，该方向的研究正在向mac层和物理层推进，特别是在物理层已经出现无线传输与深度学习等结合的趋势，然而各项研究目前还处于初步探索状态。

人工神经网络是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立简单模型，按不同的链接方式组成不同的网络。在工业界与学术界也常直接简称为神经网络或类神经网络。神经网络是一种由大量的节点之间相互连接构成的运算模型。每两个节点间的链接都代表一个对于通过该链接信号的加较值，称之为权重，侄儿相当于人工神经网络对于该信息记忆的强度。每个节点自身则代表一种特定的输出函数，称之为激活函数。整体的网络很具网络的链接方式，权重值和激活函数的不同构成不同的输出，以逼近自然界某种算法或者函数，或是达到某种逻辑策略。

深度神经网络也被称为多层感知机，dnn由输入层、多个隐藏层和输出层构成。每个隐藏层包含多个神经元，每个神经元连接到相邻的层，同层神经元互不连接。单个神经元将各个输入与相应权重相乘，然后加偏置参数，最后通过非线性激活函数，。dnn可通过反向传播有效的优化，然后隐藏层和神经元数量的增加，将使得训练过程遇到如梯度消失、收敛缓慢以及收敛到局部最小值等问题，训练程序实现变得很困难。为了解决梯度消失问题，引入了新的激活函数来代替经典的sigmoid函数。为了提高收敛速度和降低计算复杂度，经典梯度下降法（gd）被调整为随机梯度下降法（sgd），它随机选择一个样本来计算每次的损失和梯度，但随机特性在训练过程中会引起强烈的波动，因此，在经典的gd和sgd之间采用小批量随机梯度下降法，（small-batch sgd）进行训练。然而，這些算法仍然会出现收敛于局部最优解。为了解决这一问题并进一步提高训练速度，数种自适应学习速率算法应运而生，如adagrad、rmsprop、momentum、adam等。训练完后还需注意是否有过拟合现象，如果训练后的网络在训练数据上表现良好，在测试过程中表现不佳，则出现过拟合现象。在這种情况下，为了再训练和测试资料上取得良好的结果，提出来正则化和丢弃等方案。

2. 研究内容和预期目标

本课题主要研究真实无线通信场景下采集的信道数据，通过机器学习的方法来设计符合真实信道数据的低复杂度的神经网络结构的算法，以此提升识别不同调制模式下图像的分类的准确率。

本次课题采用了32万组信道采集的数据，将其中30万组数据用作训练集，2万组数据用作测试集。在使用一个低复杂度的深度学习网络训练后，使用测试集进行测试，来进行分类的验证，达到较高的识别准确率。

3. 研究的方法与步骤

本课题需要设计一个神经网络，神经网络拟采用卷积神经网络，卷积神经网络是一种前馈型的神经网络，在大型图像处理方面有着出色的表现。由于该课题处理的主要对象为已调制去噪的图像，将像素图经过去二值化后得到原信号的频谱图，由于频谱图不存在相位差，所以对频谱图进行深度学习是合适的选择。

该设计中预计采用几个隐藏层来实现。其中激活函数的选择有包括sigmoid函数，tanh函数，relu函数等。对于输入数据的处理，归一化和权重初始化将会在实际实验中被考虑。

由于训练集的数据量极大，为了防止训练模型出现过拟合现象，补偿过拟合现象也会在实验中纳入考虑。具体情况将视模型学习效果改进。

4. 参考文献

[1]geoffery e. hinton, salakhutdinov rr. reducing thedimensionality of data with neural networks. science. 2006 jul28;313(5786):504-7.

[2]felzenszwalbp f, huttenlocher d p. efficient graph-based image segmentation[j].international journal of computer vision, 2004, 59(59):167-181.

[3]金石，温朝凯.智能通信：基于深度学习的物理层设计,2021.

5. 计划与进度安排

2022年1月5日-2022年3月1日，有针对性的学习课题相关资料,学习相关学科的基础 知识，学习实验所需软硬件的相关知识。

2022年3月2日-2022年3月20日，设定实验方案，采集实验数据。

2022年3月21日-2022年4月25日，进一步理论分析，进行实验，开发相关软硬件系统。