發(fā)布時(shí)間：2024-07-04 08:29

　　信道編碼是通信系統(tǒng)中重要的一個(gè)步驟,而信道編碼數(shù)據(jù)識(shí)別技術(shù)在通信領(lǐng)域有重要的研究?jī)r(jià)值,本文研究的信道編碼數(shù)據(jù)對(duì)象分別為“偽隨機(jī)擾亂編碼數(shù)據(jù)”,“分組編碼數(shù)據(jù)”和“卷積編碼數(shù)據(jù)”。不同于傳統(tǒng)信道編碼數(shù)據(jù)識(shí)別技術(shù),本文主要以卷積神經(jīng)網(wǎng)絡(luò)在信道編碼方面識(shí)別為切入點(diǎn),進(jìn)行了基于多種卷積神經(jīng)網(wǎng)絡(luò)的信道編碼識(shí)別技術(shù)研究,主要工作包括提出原始數(shù)據(jù)變換處理方法,進(jìn)行適應(yīng)多種誤碼編碼數(shù)據(jù)集構(gòu)建和深度學(xué)習(xí)模型選擇改進(jìn)測(cè)試三個(gè)方面。本文所采用的基于深度學(xué)習(xí)方法的糾錯(cuò)編碼識(shí)別技術(shù),首先解決了傳統(tǒng)技術(shù)識(shí)別中只能針對(duì)單一編碼進(jìn)行識(shí)別的問(wèn)題,其次本文所提出方法可以在高誤碼下進(jìn)行更準(zhǔn)確的識(shí)別。最后,本文基于生成的信道編碼數(shù)據(jù)集,分別在誤碼10‰,5‰,1‰情況下,采用VGGNet,ResNet和InceptionNet等三種卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集數(shù)據(jù)進(jìn)行識(shí)別研究,在1‰誤碼情況下識(shí)別率能達(dá)到95%以上,并且本文對(duì)識(shí)別算法的識(shí)別效果,識(shí)別運(yùn)行效率,模型可視化等方面進(jìn)行了相關(guān)實(shí)驗(yàn),總結(jié)了不同算法適用的不同的場(chǎng)景。綜上,本文所進(jìn)行的研究充分說(shuō)明了基于深度學(xué)習(xí)的信道編碼數(shù)據(jù)識(shí)別的可行性和優(yōu)勢(shì),并且討論了深度學(xué)習(xí)在信道編碼領(lǐng)域的...

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景
    1.2 編碼識(shí)別研究現(xiàn)狀
    1.3 編碼識(shí)別難點(diǎn)
    1.4 課題主要研究?jī)?nèi)容
    1.5 本文結(jié)構(gòu)安排
第二章 信道編碼識(shí)別相關(guān)理論介紹
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及相關(guān)模型
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)各層結(jié)構(gòu)
        2.2.2 常用的卷積神經(jīng)網(wǎng)絡(luò)模型
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法
    2.3 信道編碼相關(guān)數(shù)學(xué)理論知識(shí)
        2.3.1 信道編碼相關(guān)數(shù)學(xué)知識(shí)
        2.3.2 線性反饋移位寄存器
    2.4 信道編碼基礎(chǔ)及識(shí)別
        2.4.1 偽隨機(jī)擾亂編碼基礎(chǔ)及識(shí)別
        2.4.2 分組碼編碼基礎(chǔ)及識(shí)別
        2.4.3 卷積碼編碼基礎(chǔ)及識(shí)別
    2.5 本章小結(jié)
第三章 編碼數(shù)據(jù)處理及數(shù)據(jù)集構(gòu)建
    3.1 引言
    3.2 偽隨機(jī)擾亂編碼數(shù)據(jù)處理
    3.3 分組碼數(shù)據(jù)處理
        3.3.1 數(shù)據(jù)幀長(zhǎng)查找
        3.3.2 分組碼數(shù)據(jù)變換及標(biāo)注
    3.4 卷積碼數(shù)據(jù)處理
        3.4.1 卷積碼數(shù)據(jù)預(yù)處理
        3.4.2 卷積碼數(shù)據(jù)變換及標(biāo)注
    3.5 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的碼字識(shí)別
    4.1 引言
    4.2 數(shù)據(jù)種類(lèi)識(shí)別算法
        4.2.1 數(shù)據(jù)準(zhǔn)備
        4.2.2 基于VGGNet的信道編碼種類(lèi)識(shí)別
        4.2.3 基于ResNet的信道編碼種類(lèi)識(shí)別
        4.2.4 基于InceptionNet的信道編碼種類(lèi)識(shí)別
    4.3 信道編碼參數(shù)識(shí)別算法
        4.3.1 數(shù)據(jù)準(zhǔn)備
        4.3.2 基于多種卷積神經(jīng)網(wǎng)絡(luò)的信道編碼參數(shù)識(shí)別
    4.4 本章小結(jié)
第五章 碼字識(shí)別效果及分析改進(jìn)
    5.1 信道編碼種類(lèi)識(shí)別效果展示分析
    5.2 信道編碼參數(shù)識(shí)別效果展示分析
    5.3 信道編碼識(shí)別改進(jìn)算法及分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)



本文編號(hào)：4000385