基于深度残差网络的(n,1,m)卷积码盲识别

针对传统(n,1,m)卷积码识别方法容错性能较差或所需数据量较大的问题,提出了一种基于深度残差网络(Residual Network, ResNet)的方法。对图像识别领域常用的二维ResNet模型进行结构调整,使其适用于一维卷积编码序列的处理;仿真生成大量卷积码比特序列,以不同的误比特率在序列中随机加入误比特,并按固定长度从序列截取片段作为ResNet的训练样本,分别完成编码类型和起点识别模型的训练;将待识别卷积码序列输入网络,即可输出识别结果。仿真结果表明,相比传统方法,该方法以略高的计算复杂度为代价,获得了更好的容错性和较低的识别数据量需求。