【信号处理】基于联合图像表示的深度学习卷积神经网络

Combined Signal Representations for Modulation Classification Using Deep Learning: Ambiguity Function, Constellation Diagram, and Eye Diagram

信号表示

Ambiguity Function（AF）

模糊函数描述了信号的两个维度（dimensions）：延迟（delay）和多普勒（Doppler）。

clear;
clc;snr = 15;
modulation = [8, 16, 32];
ml = dictionary(15, "test", 35, "train");  % 检查是否已正确定义
base_path = sprintf('C:\\data\\AF%d', snr);  % 正确的路径格式
disp(base_path);
mkdir(sprintf('AF%d', snr));
cd(sprintf('AF%d', snr));for operation = [15, 35]for p = 1:length(modulation)mod_dir = sprintf('%s/%d', ml(operation), modulation(p));if ~exist(mod_dir, 'dir')mkdir(mod_dir);  % 如果目录不存在，则创建endend    
end% 滤波器和采样参数
sps = 1;  % 每个符号的采样数（过采样因子）
fs = 20;  % 采样率设置为20 Hz
prf = 1;  % 脉冲重复频率设置为1 Hz
filtlen = 20;  % 滤波器长度，单位：符号
rolloff = 1;  % 滤波器滚降因子
rrcFilter = rcosdesign(rolloff, filtlen, sps);  % 设计升余弦 FIR 脉冲整形滤波器% 主模拟循环
for m = [15, 35]for j = 1:length(modulation)M = modulation(j);k = log2(M);  % 每个符号的比特数numBits = 2 * k;  % 对于 QAM，这个值调整为 2*kfor i = 1:mrng shuffle;  % 使用默认的随机数生成器dataIn = randi([0 M-1], numBits, 1);  % 生成随机数据disp(i);% 使用 QAM 进行调制dataMod = qammod(dataIn, M);  % 使用 qammod 进行 QAM 调制% 滤波并加入噪声txFiltSignal = upfirdn(dataMod, rrcFilter, sps, 1);rxSignal = awgn(txFiltSignal, snr, 'measured');% 计算模糊函数x = rxSignal;  % 正确使用 rxSignal[afmag, delay, doppler] = ambgfun(x, fs, prf);<