以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：47

、訪客IP：13.58.107.78

姓名	劉志宏(Chih-Hung Liu)  查詢紙本館藏	畢業系所	通訊工程學系在職專班
論文名稱	以卷積長暫態記憶神經網路進行調變分類技術研究 (Modulation Classification Using Fully Connected Deep Neural Networks with Convolutional Long Short-Term Memory)
相關論文	★ 運用SIFT特徵進行光學影像目標識別 ★ 語音關鍵詞辨識擷取系統 ★ 適用於筆記型電腦之WiMAX天線研究 ★ 應用於凱氏天線X頻段之低雜訊放大器設計 ★ 適用於802.11a/b/g WLAN USB dongle曲折型單極天線設計改良 ★ 應用於行動裝置上的雙頻(GPS/BT)天線 ★ SDH設備單體潛伏性障礙效能分析與維運技術 ★ 無風扇嵌入式觸控液晶平板系統小型化之設計 ★ 自動化RFID海關通關系統設計 ★ 發展軟體演算實現線性調頻連續波雷達測距系統之設計 ★ 近場通訊之智慧倉儲管理 ★ 在Android 平台上實現NFC 室內定位 ★ Android應用程式開發之電子化設備巡檢 ★ 鏈路預算估測預期台灣衛星通訊的發展 ★ 在中上衰落通道中分集結合技術之二階統計特性 ★ 先進長程演進系統中載波聚合技術的初始同步
檔案	[Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   [檢視]  [下載] 本電子論文使用權限為同意立即開放。 已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。 請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。
摘要(中)	在軍事領域中，如何獲取敵方通訊內容一直是各國投入大量人力與心血研究的課題，獲取敵方通訊內容的第一步，便是將截收到之訊號進行調變分類，後續才能進一步地研究如何破譯並取出其內容，然而現今訊號調變方式越來越多元，如何將訊號快速準確地進行分類，儼然成為一個重要的研究項目。 傳統訊號調變分類方式，仰賴人工運用複雜運算進行特徵擷取，再依照不同特徵進行調變分類，本文透過類神經網路特有的自我學習來進行特徵擷取與分類，跳脫自行擷取所需的複雜運算，將時間與精神專注於類神經網路演算法的改良，提升調變分類的準確度。 本文提出以卷積長暫態記憶神經網路進行調變分類技術研究，將現有之神經網路分別從訓練模型與資料集等2個部分進行改良，提出之改良型卷積長暫期記憶神經網路具有強大的抗雜訊能力與細部特徵擷取能力，經過各式不同的測試，此模型整體調變分類成功率可達64.7%，在訊雜比為0dB~20dB的範圍內，調變分類成功率可以達到90.1%，高訊雜比(+18dB)成功率可達90%，有不錯的效果。
摘要(英)	Modulation classification is usually the first step of a major communications problem with military applications. We have to know the modulation types before we decode the signals and get the content. As the modulation types increase rapidly, automatic modulation recognition becomes an important topic which is worth researching into. Traditionally, we use manual feature selection to get the features and do the classification. In this article, we aim to use of DL to learn from data, extract features and classify signals automatically. We will concentrate on modifying the model of DL to improve the classification accuracy. This paper proposes a research of modulation classification using fully connected dep neural networks with convolutional long short-term memory. We modify the existing model by improving the training model and dataset. The overall classification accuracy of the modified model is 64.7%. In high SNR region(0dB~20dB), the classification accuracy is 90.1%. In high SNR(+18dB), the classification accuracy is 90%
關鍵字(中)	★ 類神經網路 ★ 調變分類	關鍵字(英)	★ Neural Network ★ Modulation classification
論文目次	摘要 Ｉ Abstract II 致謝 III 目錄 IV 圖目錄 VI 表目錄 VIII 第一章 緒論 1 1.1 研究背景 1 1.2 研究動機 2 1.3 論文架構 2 第二章 深度學習簡介 4 2.1 感知器 4 2.2 深度神經網路 5 2.3 卷積神經網路 6 2.3.1 卷積層 6 2.3.2 池化層 8 2.3.3 全連接層 8 2.4 循環神經網路 10 2.4.1 循環神經網路介紹 10 2.4.2 長暫態記憶網路介紹 13 2.5 卷積長暫態記憶神經網路 16 第三章 卷積長暫態記憶神經網路之調變分類 19 3.1 卷積長暫態記憶神經網路進行調變分類 19 3.1.1 訓練模型 19 3.1.2 資料集 21 3.2 卷積長暫態記憶神經網路以不同資料表進行分類 22 3.2.1 訓練模型 22 3.2.2 資料集 24 3.3 卷積長暫態記憶神經網路進一步分析 25 3.3.1 訓練模型 25 3.3.2 資料集 26 第四章 改良之卷積長暫態記憶神經網路 29 4.1. 改良之訓練模型 29 4.1.1. 加入多層長暫態記憶層 29 4.1.2. 最佳化卷積層層數 32 4.2. 改良資料集 37 4.2.1. 提升資料量 37 4.2.2. 修改訓練資料 41 4.3. 結果與分析 47 4.3.1. 模擬環境 47 4.3.2. 改良型卷積長暫態記憶神經網路模型 47 4.3.3. 混淆矩陣分析 52 第五章 結論與未來方向 54 參考文獻 56
參考文獻	[1] Ka.Mun.Ho,C.Vaz,D.G.Daut, “Automatic classification of amplitude, frequency, and phase shift keyed signals in the wavelet domain,” IEEE Sarnoff Symposium, pp.1-6,April 2010. [2] 林聰岷，《使用高階統計法則實現相位鍵移調變訊號分類作業》，碩士論文，國立臺灣大學電信工程學研究所，2012年1月。 [3] Chih-Wei Hsu, Chih-Chung Chang, and Chih-Jen Lin , “A Practical Guide to Support Vector Classification”,pp.16, May 19, 2016 [4] V. Mitra, W. Wang, and H/ Franco, “Deep Convolutional Nets and Robust Features for Reverberation-robust Speech Recognition,” in Proceedings of SLT, 2014. [5] S. Wang, L. Chen, L. Xu, W. Fan, J. Sun, S. Naoi, “Deep knowledge training and heterogeneous CNN for handwritten Chinese text recognition,” Proc. ICFHR-2016, pp.84-89,2016. [6] T. J. O’Shea, J. Corgan, “Convolutional radio modulation recognition networks”, CoRR, vol. abs/1602, no. 04105, pp. 1-15, Mar. 2016. [7] Shengliang Peng, Hanyu Jiang, Huaxia Wang, Hathal Alwageed, and Yu-Dong Yao, "Modulation Classification Using Convolutional Neural Network Based Deep Learning Model",2017 [8] N.E. West, T. O′Shea, "Deep Architectures for Modulation Recognition", Proc. 2017 IEEE Int′l. Symposium Dynamic Spectrum Access Networks (DySPAN), pp. 16, March 2017. [9] Hinton G E, Osindero S, Teh Y W. ”A fast learning algorithm for deep belief nets”. Neural computation, 2006, 18(7): 1527-1554. [10] Christopher Olah.,Understanding LSTM Networks, http://colah.github.io/posts/2015-08-Understanding-LSTMs/,accessed 2017 [11] Tara N. Sainath, Oriol Vinyals, Andrew Senior, Has¸im Sak, “CONVOLUTIONAL, LONGSHORT-TERM MEMORY, FULLY CONNECTED DEEP NEURAL NETWORKS”, Google, Inc,2015. [12] V. Nair, G.E. Hinton, "Rectified Linear Units Improve Restricted Boltzmann Machines", Proc. Int′l Conf. Machine Learning, 2010. [13] TaraN Sainath ,Ron J. Weiss, Andrew Senior, Kevin W. Wilson, and Oriol Vinyals.” Learning the speech front-end with raw waveform CLDNNs”, Google, Inc,2015. [14] Xiaoyu Liu, Diyu Yang, and Aly El Gamal, ” Deep Neural Network Architectures for Modulation Classification”,pp.1-5,2017 [15] T. O′Shea, J. Shea, Open Radio Machine Learning Datasets for Open Science. https://www.deepsig.io/datasets, accessed 2017 [16] T. J. O’Shea and N. West, “Radio machine learning dataset generation with gnu radio” in Proceedings of the GNU Radio Conference, vol. 1, no. 1, 2016. [17] S. Rajendran, W. Meert, D. Giustiniano, V. Lenders, S. Pollin, “Distributed deep learning models for wireless signal classification with low-cost spectrum sensors.”, arXiv:1707.08908,pp.1-13, 2017 [18] M. Kulin, T. Kazaz, I. Moerman, E. d. Poorter, “End-to-end Learning from Spectrum Data: A Deep Learning approach for Wireless Signal Identification in Spectrum Monitoring applications”, arXiv:1712.03987, 2017 [19] D. Kingma, J. Ba, Adam: A method for stochastic optimization, arXiv:1412.6980, pp.1-15,2014 [20] Justin Alexander, ” OFDM Modulation Recognition Using Convolutional Neural Networks”, degree of Master of Engineering, Apr. 26 2017. [21] Xuming Lin, Ruifang Liu, Wenmei Hu, Yameng Li,” A Deep Convolutional Network Demodulator for Mixed Signals with Different Modulation Types”, pp.893-896,2017 [22] Yun Lin, Ya Tu , Zheng Dou, Zhiqiang Wu, “The Applicaction of Deep Learning in Communication Signal Modulation Recognition” in International Conference on Communications in China, 2017. [23] Google Research Blog “Announcing Tensorflow 0.8 – now with distributed computing support!”. https://ai.googleblog.com/2016/04/announcing-tensorflow-08-now-with.html, accessed 2017. [24] S. J. Pan and Q. Yang, “A survey on transfer learning,” Knowledge and Data Engineering, IEEE Transactions on, vol. 22, no. 10, pp. 1345– 1359, 2010.
指導教授	林嘉慶(Jia-Chin Lin)	審核日期	2018-7-9
推文	facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu
網路書籤	Google bookmarks   del.icio.us   hemidemi   myshare