@调制识别
#调制识别
第一次记录
关于基于人工神经网络的一些调制识别的看法与思考
最近在做开题报告，有一些问题实在想不通，希望和大家共同进步和讨论。
问题
- 所做课题《基于卷积神经网络的调制信号识别》到底是做什么呢？ ，曾经一个老师问我是做调制还是解调？我那时候觉得自己是做调制的，毕竟题目里写的是调制嘛，后来我觉得自己是做解调的，因为我的目的是最后把收到的未知信号给识别出来，其实和解调差不多。最近，不知道在哪看到几句话，大概是我既不属于调制也不属于解调，做的是中间部分，为后面的解调提供方便。。。。
- 关于神经网络处理信号到底是怎么处理的？，我一直也很困惑，尝试了解过IQ调制，好像和我深度学习并没有关系，我不知道这个黑匣子到底是怎么运作的。
IQ调制基本上属于是标准配置，因为利用IQ调制可以做出所有的调制方式。对于IQ调制，从两个方面直观理解：一是向量，一是三角函数。首先说一说向量，对于通信的传输过程而言，其本质是完成了信息的传递。信息如何传递？信息本身是无法传递的，必须要以信号为载体，以物理世界中的信号某个特征来表示这个信息。那么有哪些特征可以表示呢，对于一个物理世界中存在的信号而已，无非就三个特征：相位、幅度、频率。其中频率和相位可以通过一定的关系等价出来。那么主要就是相位和幅度了。
在我看来，就是在网上找了一个公开的数据集，或者也可以自己用matlab生成一些数据集，进行训练测试验证集的划分，放入神经网络里进行训练，最后看正确率就行了。在一个二维平面里面，一个向量的信息同样可以转换为幅度（模）和相位（夹角）来表示。反过来时候，一个给定的向量，由于其模和夹角不同，可以通过该给定的向量表示一定的信息。如下图所示的QPSK调制：
四个向量由于和X轴正半轴的夹角不同，可以分别表示出4个值。
再来看另外一个问题，如何生成这样一个夹角不同的向量呢？这其实有时一个很简单的数学问题：正交分解。任何一个向量都可以投影到X轴和Y轴上面做出两个向量来。这样我们就只需要改变X轴和Y轴上面的分量大小，就可以生成任意的向量。如X=1，y=-1时，就可以生成和X轴夹角315°模为根号2的这个向量。这条性质有什么用呢？后面我会解释。
好了，到目前为止，这都是数学分析，所谓的正交分解，那首先是要找到两个正交向量。在我们真实的物理世界里面去哪里找这两个正交的向量呢。呵呵，还真有，而且是现成的。就是sin和cos。有性质cos（α+π/2）=sinα，二者正好相差九十度。至于这二者的正交性如何证明，我想这是数学老师的事情。反正现在已知有了这么两个正交的东西了。有这两个东西就太好了……为什么这么说呢，因为有了整个东西之后，抽象的正交分解就变成了高中都学过的三角函数了。
对于cos（wt+α）=cos（α）cos（wt）-sin（α）sin（wt），其中cos（α）和sin（α）都是常数，其实就变成了cos（wt）和sin（wt）的幅度了。换言之，改变cos（wt）和sin（wt）幅度，就可以得到任意的相位α。如果再狠一点，加一个系数Acos（wt+α）=Acos（α）cos（wt）-Asin（α）sin（wt），这其实还是改变的cos（wt）和sin（wt）幅度。就可以得到任意幅度、任意相位的cos函数，并可以利用这些函数去表示不同的信息。对此，通信原理上通常会用一种抽象的说法来约定表示方式，就是所谓的星座图。
如果要识别A和α，其本质其实上是识别Acos（α）和Asin（α）即可。
而这如何识别呢，考虑Acos（wt+α）cos（wt）=Acos（α）cos（wt）cos(wt)+Asin（α）sin（wt)cos(wt)=1/2×Acos（α）(cos（2wt）+1)+1/2Asin（α）sin(2wt)。对于这样一个结果，我们很高兴的发现，有一个常数项1×1/2Acos（α）,而另外两个属于是高频项。对于此，任何学过信号与系统的同学都应该明白，只需要用一个低通滤波器就可以把1/2×Acos（α）提取出来。1/2×Asin（α）的提取方法类似。
- 有什么可以做的新的点呢？，感觉做不出什么新花样，无非提取特征（我不会这方面），改善神经网络（魔改参数，层数，等等），改损失函数（有什么理论证明吗？）。。。。我想不到自己还能研究一些什么？