基于CNN卷积神经网络的调制信号识别算法matlab仿真

1.算法运行效果图预览

2.算法运行软件版本

MATLAB2022A

3.算法理论概述

        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 Network，CNN）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。

1. 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。

1. 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。

3.实现过程

1. 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。

1. 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。

1. 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。

1. 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。

1. 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。

4.部分核心程序

% 构建调制类型分类的卷积神经网络模型modClassNet
modClassNet = [
  imageInputLayer([1 spf 2], 'Normalization', 'none', 'Name', 'Input Layer')
  
  convolution2dLayer(filterSize, 16*netWidth, 'Padding', 'same', 'Name', 'CNN1')
  batchNormalizationLayer('Name', 'BN1')
  reluLayer('Name', 'ReLU1')
  maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool1')
  
  convolution2dLayer(filterSize, 24*netWidth, 'Padding', 'same', 'Name', 'CNN2')
  batchNormalizationLayer('Name', 'BN2')
  reluLayer('Name', 'ReLU2')
  maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool2')
  
  convolution2dLayer(filterSize, 32*netWidth, 'Padding', 'same', 'Name', 'CNN3')
  batchNormalizationLayer('Name', 'BN3')
  reluLayer('Name', 'ReLU3')
  maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool3')
  
  convolution2dLayer(filterSize, 48*netWidth, 'Padding', 'same', 'Name', 'CNN4')
  batchNormalizationLayer('Name', 'BN4')
  reluLayer('Name', 'ReLU4')
  maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool4')
  
  convolution2dLayer(filterSize, 64*netWidth, 'Padding', 'same', 'Name', 'CNN5')
  batchNormalizationLayer('Name', 'BN5')
  reluLayer('Name', 'ReLU5')
  maxPooling2dLayer(poolSize, 'Stride', [1 2], 'Name', 'MaxPool5')
  
  convolution2dLayer(filterSize, 96*netWidth, 'Padding', 'same', 'Name', 'CNN6')
  batchNormalizationLayer('Name', 'BN6')
  reluLayer('Name', 'ReLU6')
  
  convolution2dLayer(filterSize, 128*netWidth, 'Padding', 'same', 'Name', 'CNN7')
  batchNormalizationLayer('Name', 'BN7')
  reluLayer('Name', 'ReLU7')
  
  averagePooling2dLayer([1 ceil(spf/32)], 'Name', 'AP1')
  
  fullyConnectedLayer(numModTypes, 'Name', 'FC1')
  softmaxLayer('Name', 'SoftMax')
  
  classificationLayer('Name', 'Output') ]
% 分析网络结构并展示网络的层次结构
analyzeNetwork(modClassNet)
 
 
% 最大训练轮数，网络将在此轮数结束后停止训练
maxEpochs           = 15;
% 每次迭代的小批量样本数量
miniBatchSize       = 256;
% 每隔多少次迭代进行一次验证，用于观察验证集上的性能
validationFrequency = 20;
% 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 = trainingOptions('adam', ...
  'InitialLearnRate',1e-2, ...
  'MaxEpochs',maxEpochs, ...
  'MiniBatchSize',miniBatchSize, ...
  'Shuffle','every-epoch', ...
  'Plots','training-progress', ...
  'Verbose',false, ...
  'ValidationData',{rxValidation,rxValidationLabel}, ...
  'ValidationFrequency',validationFrequency, ...
  'LearnRateSchedule', 'piecewise', ...
  'LearnRateDropPeriod', 9, ...
  'LearnRateDropFactor', 0.1, ...
  'ExecutionEnvironment', 'multi-gpu');
 
% 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_v7
 
trainedNet0SNR_v7 = trainNetwork(rxTraining,rxTrainingLabel,modClassNet,options);