基于深度學習和GNU Radio的調(diào)制信號分析實戰(zhàn)

目錄
第1章 緒論 1
1.1 研究背景及意義 1
1.2 調(diào)制識別研究現(xiàn)狀 3
1.2.1 基于決策理論的似然比識別方法 5
1.2.2 基于特征提取的統(tǒng)計模式識別方法 6
1.2.3 基于深度學習的調(diào)制識別方法 9
1.3 主要內(nèi)容和結(jié)構(gòu)安排 16
習題 17
第2章 深度學習與SDR相關(guān)基礎(chǔ)理論 18
2.1 深度學習相關(guān)基礎(chǔ)理論 18
2.1.1 深度學習簡史與應用 19
2.1.2 BP神經(jīng)網(wǎng)絡(luò) 22
2.1.3 CNN 25
2.1.4 ResNet 27
2.1.5 其他神經(jīng)網(wǎng)絡(luò) 31
2.2 SDR相關(guān)基礎(chǔ)理論 31
2.2.1 SDR原理 32
2.2.2 SDR硬件平臺USRP 34
2.2.3 SDR軟件平臺GNU Radio 37
2.2.4 搭建GNU Radio + USRP軟件無線電開發(fā)環(huán)境 41
2.3 本章小結(jié) 42
習題 42
第3章 基于MRNN的單載波信號調(diào)制識別（算法設(shè)計） 43
3.1 信號模型 44
3.1.1 AM類 44
3.1.2 MASK類 45
3.1.3 MPSK類 45
3.1.4 MQAM類 46
3.1.5 MAPSK類 47
3.1.6 FM和GMSK 48
3.2 基于MRS的MRNN 50
3.2.1 MRS設(shè)計 50
3.2.2 MRNN 52
3.3 實驗仿真與結(jié)果分析 55
3.3.1 數(shù)據(jù)集介紹 55
3.3.2 網(wǎng)絡(luò)性能優(yōu)化 56
3.3.3 MRNN識別準確率分析 59
3.3.4 不同方法對比 61
3.4 本章小結(jié) 63
習題 64
第4章 基于SDR的單載波信號實時調(diào)制識別（算法部署） 65
4.1 算法部署 66
4.1.1 搭建算法部署環(huán)境 66
4.1.2 制作單載波信號數(shù)據(jù)集 67
4.1.3 訓練MRNN 74
4.1.4 實時識別 75
4.2 實驗仿真與結(jié)果分析 76
4.2.1 識別準確率分析 76
4.2.2 實時性能分析 78
4.3 本章小結(jié) 79
習題 79
第5章 基于TRNN的OFDM信號調(diào)制識別（算法設(shè)計） 80
5.1 制作基帶傳輸時的OFDM信號數(shù)據(jù)集 81
5.1.1 OFDM調(diào)制原理 81
5.1.2 制作基帶OFDM信號數(shù)據(jù)集 83
5.2 TRNN 88
5.3 實驗仿真與結(jié)果分析 91
5.3.1 TRNN性能優(yōu)化 91
5.3.2 TRNN性能分析 97
5.3.3 不同方法對比 99
5.3.4 實時OFDM基帶信號調(diào)制識別 100
5.4 本章小結(jié) 101
習題 101
第6章 基于SDR的OFDM信號實時調(diào)制識別（算法部署） 102
6.1 算法部署 103
6.1.1 搭建算法部署環(huán)境 103
6.1.2 制作帶通傳輸時的OFDM信號數(shù)據(jù)集 104
6.1.3 訓練TRNN 108
6.1.4 實時識別 108
6.2 實驗仿真與結(jié)果分析 109
6.2.1 識別準確率分析 109
6.2.2 實時性能分析 112
6.3 本章小結(jié) 112
習題 113
第7章 總結(jié)與展望 114
7.1 工作總結(jié) 114
7.2 研究展望 115
參考文獻 117
附錄A 128