▲基于CNN卷积神经网络的QPSK信号检测matlab仿真,对比CNN不同卷积层个数对检测性能影响

目录

1.QPSK 调制信号简介

2.CNN 基本原理

3.基于 CNN 的 QPSK 信号检测原理

4.MATLAB程序

4.仿真结果

5.完整程序下载

       在现代通信系统中，信号检测是一个至关重要的环节。随着深度学习技术的发展，卷积神经网络（Convolutional Neural Network，CNN）在信号处理领域展现出了巨大的潜力。QPSK（Quadrature Phase Shift Keying）是一种常用的数字调制方式，

1.QPSK 调制信号简介

       QPSK 是一种四相相移键控调制方式，它将输入的二进制数据映射为四个不同的相位状态。QPSK 信号可以表示为：

2.CNN 基本原理

CNN 主要由卷积层、池化层和全连接层组成。

卷积层：通过卷积核与输入数据进行卷积操作，提取输入数据的特征。卷积操作可以表示为：

池化层：对卷积层的输出进行下采样，减少特征图的大小，降低计算量。常见的池化方式有最大池化和平均池化。

全连接层：将池化层的输出展平后连接到全连接层，进行分类或回归任务。

       CNN 的训练过程是通过最小化损失函数来调整网络参数。常用的损失函数有交叉熵损失函数和均方误差损失函数。以交叉熵损失函数为例，对于二分类问题，其定义为：

       训练过程通常采用反向传播算法，通过计算损失函数对网络参数的梯度，然后使用优化算法（如随机梯度下降法）更新网络参数。

        在MATLAB中，一般通过如下函数来表示CNN的上述结构：

% 3x3 卷积层，8 个滤波器，填充方式为 same
convolution2dLayer([3 3], 8, 'Padding', 'same') 

% ReLU 激活函数层
reluLayer 
    
% 2x2 最大池化层，步长为 2
maxPooling2dLayer([2 2], 'Stride', 2) 

3.基于 CNN 的 QPSK 信号检测原理

       首先，对接收的 QPSK 信号进行预处理，包括下变频、采样和归一化等操作。将预处理后的信号转换为适合 CNN 输入的格式，通常是二维矩阵或向量。

       构建适合 QPSK 信号检测的 CNN 模型。可以根据具体问题和数据特点选择不同的网络结构和参数。例如，可以使用多个卷积层和池化层提取信号的特征，然后通过全连接层进行分类，判断接收信号的相位状态。

       使用已知的 QPSK 信号样本对 CNN 模型进行训练。在训练过程中，不断调整网络参数，使模型能够准确地检测 QPSK 信号。训练完成后，将未知的 QPSK 信号输入到训练好的模型中，进行信号检测。

4.MATLAB程序

if Nlayer==1

% 定义卷积神经网络的层
layers = [
    imageInputLayer([im_h im_w]) % 输入层，图像大小为 [im_h im_w]
    convolution2dLayer([3 3], 8, 'Padding', 'same') % 3x3 卷积层，8 个滤波器，填充方式为 same
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU 激活函数层
    fullyConnectedLayer(2) % 全连接层，输出节点数为 2
    softmaxLayer % Softmax 层
    classificationLayer % 分类层
];

end
...............................................................................




if Nlayer==3

% 定义卷积神经网络的层
layers = [
    imageInputLayer([im_h im_w]) % 输入层，图像大小为 [im_h im_w]

    convolution2dLayer([3 3], 8, 'Padding', 'same') % 3x3 卷积层，8 个滤波器，填充方式为 same
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU 激活函数层
    maxPooling2dLayer([2 2], 'Stride', 2) % 2x2 最大池化层，步长为 2
    convolution2dLayer([3 3], 8, 'Padding', 'same') % 3x3 卷积层，8 个滤波器，填充方式为 same
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU 激活函数层
    maxPooling2dLayer([2 2], 'Stride', 2) % 2x2 最大池化层，步长为 2
    convolution2dLayer([3 3], 8, 'Padding', 'same') % 3x3 卷积层，8 个滤波器，填充方式为 same
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU 激活函数层
    maxPooling2dLayer([2 2], 'Stride', 2) % 2x2 最大池化层，步长为 2
    convolution2dLayer([3 3], 8, 'Padding', 'same') % 3x3 卷积层，8 个滤波器，填充方式为 same
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU 激活函数层
    maxPooling2dLayer([2 2], 'Stride', 2) % 2x2 最大池化层，步长为 2
    convolution2dLayer([3 3], 16, 'Padding', 'same') % 3x3 卷积层，16 个滤波器，填充方式为 same
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU 激活函数层
    maxPooling2dLayer([2 2], 'Stride', 2) % 2x2 最大池化层，步长为 2
    convolution2dLayer([3 3], 32, 'Padding', 'same') % 3x3 卷积层，32 个滤波器，填充方式为 same
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU 激活函数层
    fullyConnectedLayer(2) % 全连接层，输出节点数为 2
    softmaxLayer % Softmax 层
    classificationLayer % 分类层
];

end

% 定义训练选项
options = trainingOptions('sgdm', ... % 使用随机梯度下降法
    'ExecutionEnvironment', 'auto', ... % 自动选择执行环境（CPU 或 GPU）
    'LearnRateSchedule', 'piecewise', ... % 学习率调度方式为 piecewise
    'InitialLearnRate', 0.001, ... % 初始学习率为 0.001
    'shuffle', 'every-epoch', ... % 每个 epoch 重新打乱数据
    'MaxEpochs', 10, ... % 最大训练轮数为 10
    'MiniBatchSize', 31 * 20, ... % 小批量大小为 31 * 20
    'plots', 'training-progress', ... % 显示训练进度图
    'Verbose', false); % 不显示详细信息

% 训练网络
net = trainNetwork(XTrain, YTrain, layers, options);

4.仿真结果

cnn卷积层数量=1的训练过程

cnn卷积层数量=3的训练过程

cnn卷积层数量=6的训练过程

对比结果如下：

       随着卷积层个数的增加，网络可以提取到更高级、更抽象的特征。这对于复杂的信号检测任务可能是有益的，因为更多的特征可以提供更丰富的信息，有助于提高检测性能。然而，过多的卷积层也可能导致过拟合问题。过拟合是指模型在训练数据上表现良好，但在测试数据上性能下降。这是因为过多的卷积层可能会学习到训练数据中的噪声和特定模式，而无法泛化到新的数据。

     增加卷积层个数会增加网络的计算复杂度。每个卷积层都需要进行大量的乘法和加法运算，这会导致训练和检测时间的增加。此外，过多的卷积层也可能需要更多的内存资源，这对于硬件设备的要求也会更高。

5.完整程序下载

完整可运行代码，博主已上传至CSDN，使用版本为matlab2022a：

https://download.csdn.net/download/ccsss22/89930479